Utilizzando tecniche di apprendimento automatico, scienziati informatici e scienziati dei materiali a Saarbrücken hanno ora sviluppato un metodo molto più accurato e obiettivo delle procedure di controllo della qualità convenzionali. I loro risultati sono stati appena pubblicati in Rapporti scientifici .

Quando scienziati di due discipline collaborano a un progetto di ricerca, devono prima imparare a parlare la stessa lingua. "Ci è voluto un bel po' di tempo prima che gli scienziati informatici avessero capito perché le strutture interne di un materiale e la loro rappresentazione in forma di immagine giocano un ruolo così importante per gli scienziati dei materiali, "dice Dominik Britz, un dottorato di ricerca studente presso il Dipartimento di Materiali Funzionali presso la Saarland University. Queste strutture interne sono importanti perché sono strettamente legate alle proprietà esibite dal materiale.

"Poiché gli acciai moderni vengono forniti in varietà sempre maggiori e poiché presentano strutture interne sempre più complesse, le tolleranze di errore stanno diventando più strette. Ciò rappresenta una sfida enorme per gli ingegneri che sviluppano nuovi acciai e che devono soddisfare severi requisiti di qualità, "dice Britz.

Seyed Majid Azimi del Max Planck Institute for Informatics ha cercato di spiegare a Dominik Britz come i metodi di deep learning che impiega siano in grado di produrre risultati significativamente più accurati rispetto a qualsiasi analisi delle immagini condotta manualmente da esperti scienziati dei materiali. Per ottenere tali risultati, Azimi alimenta il suo computer ad alte prestazioni con dati di immagine precedentemente classificati da esperti. Questi dati vengono utilizzati per addestrare i modelli di computer, e questi modelli vengono successivamente testati confrontandoli con ulteriori set di dati di immagine classificati dall'uomo. Ma come è possibile che il computer generi risultati così sorprendentemente buoni senza avere una reale conoscenza dei materiali coinvolti?

In questo particolare studio, che si è concentrato sulla classificazione delle microstrutture in acciaio, la risposta sta nella comprensione del processo di produzione dell'acciaio. "La produzione di acciai speciali è un processo estremamente complesso che dipende da molti fattori individuali tra cui la composizione chimica del materiale, il processo di laminazione utilizzato e i tipi di trattamento termico a cui è sottoposto il materiale. Ogni fase del processo produttivo influenza la struttura interna dell'acciaio, " spiega Dominik Britz.

Gli scienziati dei materiali si riferiscono a questa struttura interna come alla "microstruttura" del materiale. La microstruttura è composta da "grani, " ognuno dei quali è un minuscolo cristallite con una particolare struttura cristallina. Ma i grani vicini differiscono anche in termini di orientamento spaziale. Infatti, i grani differiscono non solo per il loro orientamento, ma anche in termini delle loro forme individuali e della loro connettività spaziale, determinando microstrutture di elevata complessità geometrica. "Queste strutture estremamente complesse possono essere rese visibili durante lo sviluppo del materiale e le fasi di controllo della qualità prendendo immagini microscopiche. I campioni appositamente preparati vengono valutati utilizzando la microscopia ottica ed elettronica, " spiega Britz.

La classificazione di un materiale implica il confronto di queste immagini del microscopio con immagini di riferimento che presentano una tipica microstruttura geometrica. Col tempo, ingegneri esperti nei dipartimenti di assicurazione della qualità dell'azienda sviluppano un occhio attento che consente loro di decidere con quale particolare microstruttura di acciaio hanno a che fare. "Ma anche questi esperti esperti a volte fanno una chiamata sbagliata, poiché le differenze tra le immagini a volte sono appena percettibili ad occhio nudo. Sebbene gli esseri umani siano piuttosto bravi a distinguere piccole differenze relative, non siamo molto bravi a riconoscere standard geometrici assoluti, " spiega il professor Frank Muecklich, che ha curato lo studio. Muecklich è anche direttore dello Steinbeis Materials Engineering Center Saarland (MECS) a Saarbrücken, il cui personale è stato coinvolto nello studio.

Gli scienziati dei materiali erano interessati a trovare una procedura oggettiva che fosse molto meno soggetta all'errore dell'utente e che potesse essere applicata indipendentemente dal livello di competenza dell'utente. "I metodi di apprendimento automatico consentono ai computer di riconoscere molto rapidamente schemi complessi e di assegnare la geometria delle microstrutture nelle immagini al microscopio. Possono apprendere le caratteristiche di microstrutture precedentemente classificate e confrontarle con schemi riconosciuti, " spiega Muecklich. Usando questo approccio, il team di ricerca di Saarbrücken è stato in grado di determinare le microstrutture dell'acciaio a basso tenore di carbonio con un livello di precisione che in precedenza non era possibile. "Quando si utilizza il nostro sistema per la classificazione microstrutturale, abbiamo raggiunto un livello di precisione di circa il 93%. Con i metodi convenzionali, solo il 50 per cento circa dei campioni di materiale è classificato correttamente, "dice Muecklich.

I risultati sono pubblicati in Rapporti scientifici .