Gefüge-Klassifizierung in Vergütungsstählen
Aufgabenstellung
- Die Unterscheidung von Bainit und Martensit in Vergütungsgefügen findet immer noch oft manuell und rein qualitativ statt. Eine rein lichtmikroskopische Auswertung und insbesondere eine Unterscheidung von Martensit, (selbst-)angelassenem Martensit und unterem Bainit, die alle auch gleichzeitig auftreten können, ist stark subjektiv und fehlerbehaftet
- Stattdessen soll eine Klassifizierung mittels maschinellen Lernens (ML) realisiert werden
Umsetzung
- Ein wanderndes Fenster zerlegt die Gefügeaufnahme in einzelne Ausschnitte, die anschließend durch ein DL-Modell klassifiziert werden
- Trainieren separater Modelle für Lichtmikroskop- und REM-Aufnahmen
- Verwendung von korrelativer Mikroskopie (Lichtmikroskopie, REM und Elektronenrückstreubeugung) für eine objektive Grundwahrheit
- In diesem Anwendungsbeispiel werden vier Klassen berücksichtigt: Martensit (a), (selbst-) angelassener Martensit (b), unterer Bainit (c), sowie oberer Bainit (d)
4 Klassen bei LM/REM und Elektronenrückstreubeugung, aus Bachmann et al., (2023)
Ergebnisse
- Die Modelle für die ausschnittweise Klassifizierung erreichen Genauigkeiten von 93,5 % für REM-Aufnahmen und 89,8 % für Lichtmikroskop-Aufnahmen. In Anbetracht der Gefügekomplexität sowie der begrenzten Lichtmikroskop-Auflösung sind dies herausragende Werte
- Der Ansatz des wandernden Fensters ermöglicht auch gute Segmentierungen bei gesamten, ungesehenen Aufnahmen
LM /REM Aufnahme aus Bachmann et al., (2023)
Anwendungsbereiche
- Automatisierte, objektive und reproduzierbare Gefügeklassifizierung
- Dieser neue Detailgrad der Gefügeklassifizierung ermöglicht verbesserte Quantifizierungen als Grundlage neuer Prozess-Gefüge-Eigenschafts-Korrelationen
- Die korrelativen Daten ermöglichen eine systematische Untersuchung der Anwendungsgrenzen des Lichtmikroskops und der benötigten Auflösungen
Kooperationspartner
- Aktien-Gesellschaft der Dillinger Hüttenwerke, Dillingen/Saar
Referenzen
- Bachmann, B., Müller, M., Britz, D., Staudt, T., & Mücklich, F. (2023). Reproducible Quantification of the Microstructure of Complex Quenched and Quenched and Tempered Steels Using Modern Methods of Machine Learning. Metals, 13(1395), 1–27. https://doi.org/10.3390/met13081395
Kontakt bei Fragen
Dr.-Ing. Dominik Britz
Deputy Head MECS Saarbrücken
Dr.-Ing. Tobias Fox
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.