Speaker
Description
Die Eigenschaften eines Halbzeugs hängen neben der chemischen Zusammensetzung maßgeblich von dessen Gefüge ab. Im Rahmen der Prozess- und Qualitätskontrolle ist ein hoher fachlicher Kenntnisstand zur Identifikation der spezifikationsgerechten und nicht-spezifikationsgerechten Gefügebestandteile und deren Einflüsse auf die Eigenschaften des Werkstoffs und des Werkstücks notwendig. Dies ist insbesondere in der Fertigung von Halbzeugen beim Hersteller, bei finalen Produkten beim Anwender sowie bei einer nachgelagerten Analyse im Falle eines Schadens relevant.
In Anbetracht der Vielzahl verschiedener möglicher Phasen und Gefügebestandteilen, wie Einschlüssen, Ausscheidungen oder Fehlern, in einem System (Legierung, Umformprozesse, Wärmebehandlung, Einsatzszenario) ist ausgeprägte Sachkenntnis erforderlich, um die vorliegenden Gefügebestandteile eindeutig zu identifizieren. Mittels der Nutzung von automatisierten Gefüge-Analysen wäre es möglich, für die Identifikation eine Hilfe zu entwickeln, welche diese entweder erleichtert oder eine Automatisierung ermöglicht.
Am Beispiel der binären Nickel-Titan (NiTi) Formgedächtnislegierung (FGL) wird gezeigt, wie mittels Nutzung von künstlicher Intelligenz (KI) Gefügebestandteile automatisiert identifiziert werden können.
FGL zeichnen sich durch diffusionslose Phasenübergange zwischen martensitischem und austenitischem Gefüge, die mit einer Geometrie-Änderung einhergehen, aus. In einem idealen Kristall wären diese Phasenumwandlungen reversibel. In einem realen Werkstoff finden die Phasenumwandlung und Phasenrückumwandlung jedoch nicht vollständig reversibel statt. Aufgrund von Gitterfehlern, die sowohl bereits im Auslieferungszustand des FG-Elements, z.B. nach Vorzyklierungen, vorliegen als sich auch in Folge der Nutzung aufbauen, stellen sich zunehmend gemischte Zustände, insbesondere nach mehreren Umwandlungszyklen, ein. Liegt das Material in einem Zustand vor, so dass martensitische und austenitische Phasen nebeneinander stabil sind, ist es wichtig, die vorliegenden Phasen und deren Anteile zu identifizieren, um die Anwendungsgrenzen des FG-Elements hinsichtlich sowohl funktionaler als auch werkstofflicher Ermüdung identifizieren und Aussagen bezüglich der noch verbleibenden Lebensdauer treffen zu können.
Es wird gezeigt, wie zur Erkennung der Orientierung einzelner martensitischer Körner und zur Unterteilung metallografischer Aufnahmen neben Suchalgorithmen aus dem Bereich der Computer Vision auch Methoden des maschinellen Lernens, wie z. B. Instanzen und semantische Segmentierung, unter Verwendung von diversen Basis-Modellen, erfolgreich eingesetzt werden. Obwohl die Erkennung der Korngrenzen bei gängigen KI-Methoden relativ zuverlässig möglich ist, kann die jeweilige Phase sowie dessen Orientierung innerhalb des Gefüges nicht einfach beurteilt werden. Eine konventionelle Mustererkennung mittels KI ist außerdem nur eingeschränkt in der Lage, die Orientierung von Martensit-Nadeln zu erkennen und in der Klassifizierung weiter zu unterscheiden.
Zur Identifikation von Phasen und deren Orientierungen wird ein neuer Algorithmus zur physikalisch-inspirierten Computer Vision zum Einsatz gebracht. Unter Nutzung des Phase-Stretch Adaptive Gradient-Field Extractor (PAGE), implementiert in der Programmbibliothek PhyCV (Jalali-Lab @ UCLA) wird eine Kantensuche entsprechend der Ausrichtung von Mustern in der metallographischen Aufnahme der NiTi-Probe möglich
.
Der vorgestellte Ansatz ermöglicht jedoch nicht nur die Erkennung von Segmenten, sondern arbeitet "Content Aware". So können die martensitischen Körner direkt identifiziert und die Ausrichtungen der Martensitnadeln eingeordnet werden, um Flächen entsprechend ihrer Orientierung in gemeinsame Klassen einzuordnen. Dadurch ergeben sich neue Auswertemöglichkeiten, die insbesondere bei der Verwendung in Kombination mit FGL wichtig sein können. So sind die Betrachtung der martensitischen Körner in verschiedenen Belastungsszenarien oder die automatisierte Erstellung von kornspezifischen Datenblättern als Anwendung denkbar. Dies schafft die Basis für weitläufige Versuchsreihen, in denen die Auswirkungen von unterschiedlichen Belastungen in Ausprägung, Richtung und zeitlichem Ablauf automatisiert untersucht werden können.