Objektive und reproduzierbare Gefügeklassifizierung niedriglegierter Stähle

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.