Please use this identifier to cite or link to this item: doi:10.22028/D291-30205
Title: Objektive und reproduzierbare Gefügeklassifizierung niedriglegierter Stähle
Author(s): Gola, Jessica
Language: German
Year of Publication: 2019
SWD key words: Stahl
Maschinelles Lernen
Data Mining
Support-Vektor-Maschine
Free key words: morphologische Merkmale
Gefügeklassifizierung
Haralick Parameter
Texturmerkmale
DDC notations: 004 Computer science, internet
500 Science
620 Engineering and machine engineering
Publikation type: Doctoral Thesis
Abstract: Ziel der vorliegenden Arbeit ist die Entwicklung einer objektiven und reproduzierbaren Gefügeklassifizierung niedriglegierter Stähle. Hierfür wird mit den in der Informatik zur Verfügung stehenden Methoden des maschinellen Lernens ein Arbeitsablauf für eine Klassifizierung der drei Gefügebestandteile Perlit, Bainit und Martensit erarbeitet. Als Grundlage für das Klassifizierungsmodell wird das Stützvektorverfahren (Support Vector Machine, SVM) genutzt, welches auf einen Merkmalsdatensatz der drei Klassen angewendet wurde. Für den Aufbau der Datenbank werden verschiedene Gefügemerkmale aus korrelativen Licht- und Elektronenmikroskopaufnahmen verwendet. Die Merkmalsdatenbank beinhaltet form- und größenbeschreibende Parameter sowie pixelbasierte Merkmale, die aus der Bildtextur der Mikroskopaufnahmen extrahiert werden. Der Einfluss der Datenvorverarbeitung und -aufteilung auf die Klassifizierungsergebnisse werden untersucht. Neben dem Aufbau eines validen Klassifizierungsprozesses liegt der Fokus auf der Weiterentwicklung und Identifizierung der für die Klassifizierung entscheidenden, signifikanten Gefügemerkmale. Für die aufgebaute Datenbasis können Klassifizierungsgenauigkeiten von bis zu 97 % für die vordefinierten Klassen erreicht werden. Die Methodik des vorgestellten Ansatzes der Gefügeklassifizierung kann im Bereich der Stahlwerkstoffe erweitert und auf andere Werkstoffklassen übertragen werden.
The aim of this thesis is to develop an objective and reproducible microstructure classification of low-alloy steels. For this purpose, a workflow for the classification of the three microstructural constituents pearlite, bainite and martensite is established using the methods of machine learning available in computer science. The classification model is based on the support vector machine (SVM), which has been applied to a feature dataset of these three classes. To build up the database, various microstructural features extracted from correlative light and electron microscope images are used. The feature database contains shape and size describing parameters as well as pixelbased features, which are extracted from the image texture of the microscope images. The influence of data pre-processing and data splitting on classification results is investigated. In addition to the design of a valid classification process, the focus is on the development and identification of the significant microstructural features which are relevant for the classification. It is possible to achieve classification accuracies of up to 97 % for the predefined classes using the generated database. The methodology of the approach presented can be extended in the field of steel materials and be transferred to other material classes.
Link to this record: urn:nbn:de:bsz:291--ds-302055
hdl:20.500.11880/28710
http://dx.doi.org/10.22028/D291-30205
Advisor: Mücklich, Frank
Date of oral examination: 9-Jan-2020
Date of registration: 17-Feb-2020
Faculty: NT - Naturwissenschaftlich- Technische Fakultät
Department: NT - Materialwissenschaft und Werkstofftechnik
Professorship: NT - Prof. Dr. Frank Mücklich
Collections:SciDok - Der Wissenschaftsserver der Universität des Saarlandes

Files for this record:
File Description SizeFormat 
191008_Dissertation_final_JessicaGola.pdf27,8 MBAdobe PDFView/Open


Items in SciDok are protected by copyright, with all rights reserved, unless otherwise indicated.