Klassifizierung komplexer Gefüge mit maschinellem Lernen am Beispiel bainitischer Stähle

Abstract

Ziel der vorliegenden Arbeit ist eine objektive und reproduzierbare Klassifizierung bainitischer Gefüge in Zweiphasen- und Multiphasenstählen mit Methoden des maschinellen Lernens (ML). Aufgrund der Komplexität der bainitischen Gefüge stellt die Zuordnung der für das ML benötigten Grundwahrheit eine enorme Herausforderung dar. Zur Implementierung der ML-basierten Auswertungen wird daher ein ganzheitlicher, materialwissenschaftlich basierter Ansatz vorgeschlagen, der sich nicht lediglich auf ML-Algorithmen beschränkt, sondern auch alle Schritte hin zum Erhalt einer Gefügeaufnahme berücksichtigt. In diesem Rahmen wird eine Methodik zur korrelativen Charakterisierung mittels Lichtmikroskopie (LM), Rasterelektronenmikroskopie (REM) und Elektronenrückstreubeugung (EBSD) entwickelt, die eine kombinierte Gefügequantifizierung aus Mikroskopaufnahmen und den EBSD-Daten erlaubt und darüber überhaupt erst die objektive und reproduzierbare Zuordnung der Grundwahrheit zulässt.

The present work is aimed at developing an objective and reproducible classification of bainitic microstructures in two-phase and multiphase steels using machine learning (ML) methods. Due to the complexity of bainitic microstructures, assigning the ground truth required for ML is an enormous challenge. In order to implement the ML-based evaluations, a holistic material science-centered approach is therefore proposed, which is not limited to ML algorithms, but also considers all steps towards obtaining a microstructural image. In this context, a methodology for correlative characterization by means of optical microscopy (OM), scanning electron microscopy (SEM) and electron backscatter diffraction (EBSD) is developed which allows a combined microstructural quantification from microscopic images and EBSD data, thus enabling the objective and reproducible assignment of the ground truth in the first place. Using this approach, accuracies of 83 % in the classification of bainitic subclasses in SEM images of two-phase steels are achieved. In multiphase steels, the segmentation of lath-shaped bainite in LOM and SEM images was accurate in 90 % of the cases and the EBSD-based classification of bainitic and polygonal ferrite was demonstrated with an accuracy of 96 %. The approaches and methods developed in the scope of this work are generalizable and can be applied to other steel grades as well as to other material classes.