Skip to main content
main-content

27.02.2018 | Werkstoffprüfung + Materialanalyse | Nachricht | Onlineartikel

Mit Deep Learning zur präzisen Werkstoff-Klassifizierung

Autor:
Nadine Winkelmann

Durch maschinelle Lernmethoden lassen sich Werkstoffe schnell und fehlerfrei klassifizieren. Saarbrücker Informatiker und Materialforscher konnten so die Mikrostrukturen von kohlenstoffarmem Stahl detailgenau bestimmen.

"Die Herstellung von Spezialstählen ist äußerst anspruchsvoll und von vielen Faktoren abhängig, angefangen bei der chemischen Zusammensetzung über das verwendete Walzverfahren bis hin zu den verschiedenen Wärmebehandlungen. Jeder Produktionsschritt hat Auswirkungen auf die inneren Strukturen des Stahls“, erläutert Dominik Britz, Doktorand am Lehrstuhl für Funktionswerkstoffe der Universität des Saarlandes. Um einen Werkstoff zu klassifizieren, werden die Mikroskopie-Aufnahmen mit Beispielbildern verglichen, die eine typische geometrische Gefügestruktur aufweisen. Weil die Bildabweichungen manchmal mit bloßem Auge kaum zu erkennen sind, ist diese Werkstoff-Klassifizierung ist jedoch fehleranfällig. Daher entwickelten die Materialforscher gemeinsam mit den Saarbücker Informatikern eine Methode, die viel genauer und objektiver ist als herkömmliche Qualitätskontrollen.

Klassifikationsgenauigkeit von 93 Prozent

Durch maschinelle Lernmethoden (Deep Learning) können Computer sehr schnell komplexe Muster erkennen und die Geometrie der Mikrostrukturen in Mikroskopie-Aufnahmen einander zuordnen. Zudem können sie die Merkmale von vorher klassifizierten Mikrostrukturen lernen und diese mit den erkannten Mustern abgleichen. Auf diese Weise konnten die Saarbrücker Forscher die Mikrostrukturen von kohlenstoffarmem Stahl genau bestimmen, was bisher in dieser Detailschärfe nicht möglich war. "Unser System erreicht eine Klassifikationsgenauigkeit von rund 93 Prozent. Mit den herkömmlichen subjektiven Methoden konnten kaum mehr als 50 Prozent der Materialproben korrekt klassifiziert werden “, erläutert Uni-Professor Frank Mücklich, der die Studie betreut hat.

"Für uns ist das erst der Beginn einer intensiven Zusammenarbeit mit der Informatikforschung auf dem Saarbrücker Uni-Campus. Die neuen Deep-Learning-Verfahren werden uns helfen, nicht nur die Qualität von Stahl und anderen Werkstoffen objektiver und genauer zu bewerten. Wir gehen davon aus, dass sich unsere Ergebnisse auch auf viele andere Produktionsprozesse und Materialien übertragen lassen“, erklärt Mücklich.

Die wissenschaftliche Studie "Advanced Steel Microstructural Classification by Deep Learning Methods" ist in den Scientific Reports des Fachmagazins "Nature" veröffentlicht worden.

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

2001 | OriginalPaper | Buchkapitel

Untersuchungsmethoden der Mikrostruktur

Quelle:
Metallkunde

Das könnte Sie auch interessieren

Premium Partner

in-adhesivesMKVSNeuer Inhalt

BranchenIndex Online

Die B2B-Firmensuche für Industrie und Wirtschaft: Kostenfrei in Firmenprofilen nach Lieferanten, Herstellern, Dienstleistern und Händlern recherchieren.

Whitepaper

- ANZEIGE -

Technisches Interface Design - Beispiele aus der Praxis

Eine gute Theorie besticht nur darin, dass am Ende einer Entwicklung sinnvolle und nutzergerechte Produkte herauskommen. Das Forschungs- und Lehrgebiet Technisches Design legt einen starken Wert auf die direkte Anwendung der am Institut generierten wissenschaftlichen Erkenntnisse. Die grundlegenden und trendunabhängigen Erkenntnisse sind Grundlage und werden in der Produktentwicklung angewendet. Nutzen Sie die Erkenntnisse aus den hier ausführlich dargestellten Praxisbespielen jetzt auch für Ihr Unternehmen.
Jetzt gratis downloaden!

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

Bildnachweise