Met behulp van machine learning-technieken, computerwetenschappers en materiaalwetenschappers in Saarbrücken hebben nu een methode ontwikkeld die veel nauwkeuriger en objectiever is dan conventionele procedures voor kwaliteitscontrole. Hun resultaten zijn zojuist gepubliceerd in Wetenschappelijke rapporten .

Wanneer wetenschappers uit twee disciplines samenwerken aan een onderzoeksproject, ze moeten eerst dezelfde taal leren spreken. "Het duurde een behoorlijke tijd voordat de computerwetenschappers begrepen waarom de interne structuren van een materiaal en hun weergave in beeldvorm zo'n belangrijke rol spelen voor materiaalwetenschappers, " zegt Dominik Britz, een doctoraat student bij de afdeling Functionele Materialen van de Universiteit van Saarland. Deze interne structuren zijn belangrijk omdat ze zeer nauw verbonden zijn met de eigenschappen van het materiaal.

"Omdat moderne staalsoorten in steeds grotere variëteiten worden geleverd en omdat ze steeds complexere interne structuren vertonen, fouttoleranties worden krapper. Dit vormt een enorme uitdaging voor de ingenieurs die nieuwe staalsoorten ontwikkelen en die aan strenge kwaliteitseisen moeten voldoen, "zegt Brits.

Seyed Majid Azimi van het Max Planck Instituut voor Informatica probeerde Dominik Britz uit te leggen hoe de deep learning-methoden die hij gebruikt significant nauwkeurigere resultaten kunnen opleveren dan alle beeldanalyses die handmatig door deskundige materiaalwetenschappers worden uitgevoerd. Om dergelijke resultaten te bereiken, Azimi voedt zijn krachtige computer met beeldgegevens die eerder door experts waren geclassificeerd. Deze gegevens worden gebruikt om de computermodellen te trainen, en deze modellen worden vervolgens getest door ze te vergelijken met aanvullende sets van door mensen geclassificeerde beeldgegevens. Maar hoe is het mogelijk dat de computer zulke opvallend goede resultaten genereert zonder enige echte kennis van de betrokken materialen?

In dit specifieke onderzoek die zich richtte op het classificeren van stalen microstructuren, het antwoord ligt in het begrijpen van het staalproductieproces. "Het vervaardigen van speciaal staal is een uiterst complex proces dat afhankelijk is van veel individuele factoren, waaronder de chemische samenstelling van het materiaal, het gebruikte walsproces en de soorten warmtebehandelingen waaraan het materiaal wordt onderworpen. Elke fase van het productieproces beïnvloedt de interne structuur van het staal, ", legt Dominik Britz uit.

Materiaalwetenschappers verwijzen naar deze interne structuur als de 'microstructuur' van het materiaal. De microstructuur is samengesteld uit "korrels, " die elk een klein kristalliet zijn met een bepaalde kristalstructuur. Maar aangrenzende korrels verschillen ook in termen van hun ruimtelijke oriëntatie. In feite, de korrels verschillen niet alleen in hun oriëntatie, maar ook in termen van hun individuele vormen en hun ruimtelijke connectiviteit, resulterend in microstructuren met een hoge geometrische complexiteit. "Deze uiterst complexe structuren kunnen tijdens de materiaalontwikkeling en de kwaliteitscontrolefasen zichtbaar worden gemaakt door microscopische beelden te maken. Speciaal geprepareerde monsters worden geëvalueerd met behulp van optische en elektronenmicroscopie, " legt Britz uit.

Het classificeren van een materiaal houdt in dat deze microscoopbeelden worden vergeleken met referentiebeelden die een typische geometrische microstructuur vertonen. Overuren, ervaren ingenieurs in de kwaliteitszorgafdelingen van bedrijven ontwikkelen een scherp oog dat hen in staat stelt te beslissen met welke specifieke stalen microstructuur ze te maken hebben. "Maar zelfs deze ervaren experts zullen soms een verkeerde beslissing nemen, omdat de verschillen tussen de afbeeldingen soms met het blote oog nauwelijks waarneembaar zijn. Hoewel mensen redelijk goed zijn in het onderscheiden van kleine relatieve verschillen, we zijn niet erg goed in het herkennen van absolute geometrische standaarden, " legt professor Frank Muecklich uit, die de studie begeleidde. Muecklich is ook directeur van het Steinbeis Materials Engineering Center Saarland (MECS) in Saarbrücken, waarvan het personeel bij het onderzoek betrokken was.

De materiaalwetenschappers waren geïnteresseerd in het vinden van een objectieve procedure die veel minder vatbaar was voor gebruikersfouten en die kon worden toegepast ongeacht het expertiseniveau van de gebruiker. "Met machinale leermethoden kunnen computers zeer snel complexe patronen herkennen en de geometrie van de microstructuren in microscoopbeelden toewijzen. Ze kunnen de kenmerken van eerder geclassificeerde microstructuren leren en deze vergelijken met herkende patronen, " legt Muecklich uit. Met deze aanpak, het onderzoeksteam in Saarbrücken was in staat om de microstructuren van koolstofarm staal te bepalen met een nauwkeurigheid die voorheen niet mogelijk was. "Bij gebruik van ons systeem voor microstructurele classificatie, we bereikten een nauwkeurigheid van ongeveer 93 procent. Met conventionele methoden, slechts ongeveer 50 procent van de materiaalmonsters is correct geclassificeerd, ', zegt Mücklich.

De resultaten zijn gepubliceerd in Wetenschappelijke rapporten .