Klassifizierung der kohlenstoffreichen Zweitphase in Dualphasenstählen
Kohlenstoffreiche Zweitphase in Dualphasenstählen
- Probe eines Multiphasen-Stahls mit polygonalem Ferrit, Bainit und kohlenstoffreichen Zweitphasen
- Präparation und Kontrastierung mit modifierter Beraha-Ätzung
- Bildaufnahmen im Lichtmikroskop und Rasterelektronenmikroskop
Aufgabenstellung:
- Je nach chemischer Zusammensetzung und Herstellungsparametern kann die kohlenstoffreiche Zweitphase in Dualphasenstählen aus Perlit, Bainit oder Martensit bestehen
- Die bainitischen Gefüge können wiederum in verschiedene Unterklassen unterteilt werden. Da eine manuelle Unterscheidung dieser Bainit-Unterklassen fehlerbehaftet und schlecht reproduzierbar ist, wird eine Klassifizierung mittels maschinellen Lernens (ML) realisiert
Umsetzung:
- Objektweise Klassifizierung mittels konventionellem ML. Es werden Aufnahmen aus dem Rasterelektronenmikroskop (REM) verwendet. Als Unterscheidungsmerkmale zwischen den Gefügebestandteilen werden Bildtexturparameter und morphologische Parameter genutzt
- Verwendung von korrelativer Mikroskopie (REM und Elektronenrückstreubeugung) für eine objektive Grundwahrheit
- 7 Klassen werden berücksichtigt: Perlit, 5 verschiedene Bainitarten und Martensit
Kohlenstoffreiche Zweitphase in Dualphasenstählen
Ergebnisse:
- Das ML-Modell erreicht eine Klassifizierungsgenauigkeit von 82,9 %, was in Anbetracht der Komplexität der bainitischen Gefüge einen herausragenden Wert darstellt
- Die Klassen Perlit, Martensit sowie oberer und unterer Bainit können sogar mit 90 % Genauigkeit erkannt werden
Anwendungsbereiche:
- Automatisierte, objektive und reproduzierbare Gefügeklassifizierung
- Dieser neue Detailgrad der Gefügeklassifizierung ermöglicht verbesserte Quantifizierungen als Grundlage neuer Prozess-Gefüge-Eigenschaftskorrelationen
Kooperationspartner:
- Aktien-Gesellschaft der Dillinger Hüttenwerke, Dillingen/Saar
Referenzen:
- Müller, M., Britz, D., Staudt, T., & Mücklich, F. (2021). Microstructural Classification of Bainitic Subclasses in Low-Carbon Multi-Phase Steels Using Machine Learning Techniques. Metals, 1836(11). https://doi.org/https://doi.org/10.3390/met11111836
- Gola, J., Webel, J., Britz, D., Guitar, A., Staudt, T., Winter, M., & Mücklich, F. (2019). Objective microstructure classification by support vector machine (SVM) using a combination of morphological parameters and textural features for low carbon steels. Computational Materials Science, 160 (January), 186–196. https://doi.org/10.1016/j.commatsci.2019.01.006
- M. Azimi, D. Britz, M. Engstler, M. Fritz, F. Mücklich, Advanced steel microstructural classification by deep learning methods, Sci. Rep. 8 (2018) 1–14. https://doi.org/10.1038/s41598-018-20037-5
Kontakt bei Fragen
Dr.-Ing. Dominik Britz
Stellvertretender Geschäftsführer
Adrian Thome, M.Sc.
Chief Operating Officer
Sie sind an einer Zusammenarbeit interessiert?
Nehmen Sie gerne einfach Kontakt mit uns auf! Wir freuen uns darauf, uns mit Ihnen auszutauschen und gemeinsam herauszufinden, wie wir Ihnen bei Ihrem Vorhaben weiterhelfen können.