News

Uni Saarland

Optimierte Werkstoffklassifizierung

In Autos, Windrädern und Brücken wird viel Stahl verbaut, etwa 5000 Stahlsorten sind auf dem Markt. Dabei bestimmt die Gefügestruktur maßgeblich die Eigenschaften der Stähle. Moderne Stähle werden in immer mehr Varianten angeboten und weisen eine zunehmend komplexe Gefügestruktur auf, sodass auch die Fehlertoleranzen hinsichtlich der Stahlqualität immer enger gesteckt werden. Doch wie können Hersteller bei einem spezifischen Stahl garantieren, dass er immer dieselbe hohe Qualität aufweist?

Um einen Werkstoff zu klassifizieren, wurden bisher Mikroskopie-Aufnahmen von Materialproben von erfahrenen Mitarbeitern mit Beispielbildern, die eine typische geometrische Gefügestruktur aufweisen, verglichen. Da die Bildabweichungen manchmal mit bloßem Auge kaum zu erkennen zu sind, ist diese Verfahrensweise fehlerbehaftet. Es wurde deshalb nach einem „täuschungssicheren“ objektiven Verfahren gesucht, das unabhängig von den fachlichen Vorkenntnissen des Anwenders eingesetzt werden kann.

Mit Hilfe maschineller Lernverfahren (Deep Learning) haben Informatiker des Saarbrücker Max-Planck-Instituts für Informatik und Materialforscher des Lehrstuhls für Funktionswerkstoffe der Universität des Saarlandes, Steinbeis-Forschungszentrum Material Engineering Center Saarland (MECS), gemeinsam nun eine Methode entwickelt, die viel genauer und objektiver ist als herkömmliche Qualitätskontrollen. Computer können durch Deep Learning sehr schnell komplexe Muster erkennen und die Geometrie der Mikrostrukturen in Mikroskopie-Aufnahmen einander zuordnen. Sie können jedoch auch die Merkmale von vorher klassifizierten Mikrostrukturen lernen und diese mit den erkannten Mustern abgleichen. Dafür fütterten die Informatiker ihren Hochleistungsrechner mit Bilddaten, die von Experten zunächst von Hand klassifiziert worden waren. Mit ihnen wurden die Computermodelle trainiert und später nochmals mit von Menschen einsortierten Bilddaten abgeglichen.

Durch diese Verfahrensweise konnten die Saarbrücker Forscher die Mikrostrukturen von kohlenstoffarmem Stahl genau bestimmen, was bisher in dieser Detailschärfe nicht möglich war. Das neue System erreicht eine Klassifikationsgenauigkeit von rund 93 %, während mit den herkömmlichen subjektiven Methoden kaum mehr als 50 % der Materialproben korrekt klassifiziert werden konnten. Die Ergebnisse wurden in den Scientific Reports des US-Fachmagazins Nature (http://www.nature.com/articles/ s41598-018-20037-5) veröffentlicht.

Nach Einschätzung der Forscher werden die neuen Deep-Learning-Verfahren helfen, die Qualität von Stahl und anderen Werkstoffen objektiver und genauer zu bewerten. Sie gehen davon aus, dass sich die Ergebnisse auch auf viele andere Produktionsprozesse und Materialien übertragen lassen.

www.uni-saarland.de


Im Labor für Atomsonden-Tomografie an der Universität des Saarlandes.

FOTO: OLIVER DIETZE