Forum für Wissenschaft, Industrie und Wirtschaft

Hauptsponsoren:     3M 
Datenbankrecherche:

 

Stahl ist nicht gleich Stahl: Informatiker und Materialforscher optimieren Werkstoffklassifizierung

19.02.2018

In Autos, Windrädern und Brücken wird viel Stahl verbaut, etwa 5.000 Stahlsorten sind auf dem Markt. Doch wie können Hersteller bei einem spezifischen Stahl garantieren, dass er immer dieselbe hohe Qualität aufweist? Bisher werden dafür Materialproben unter dem Mikroskop analysiert und von erfahrenen Mitarbeitern mit Beispielbildern abgeglichen. Diese Werkstoff-Klassifizierung ist jedoch fehleranfällig. Mit Hilfe von maschinellen Lernverfahren haben Saarbrücker Informatiker und Materialforscher daher eine Methode entwickelt, die viel genauer und objektiver ist als herkömmliche Qualitätskontrollen. Ihre Ergebnisse wurden in den Scientific Reports des US-Fachmagazins Nature veröffentlicht.

Wenn Wissenschaftler aus zwei unterschiedlichen Disziplinen gemeinsam forschen, müssen sie zuerst die gleiche Sprache sprechen. „Bei uns hat es einige Zeit gedauert, bis die Informatiker verstanden haben, warum für uns Materialforscher die inneren Strukturen eines Materials und deren bildliche Darstellung eine so große Rolle spielen“, sagt Dominik Britz, Doktorand am Lehrstuhl für Funktionswerkstoffe der Universität des Saarlandes.


Die Atomsonden-Tomographie an der Universität des Saarlandes

Oliver Dietze


Prof. Frank Mücklich

Maximilian Schlosser

Diese inneren Strukturen sind nämlich eng verknüpft mit den Eigenschaften eines Materials. „Da moderne Stähle in immer mehr Varianten angeboten werden und ein zunehmend komplexes Innenleben aufweisen, werden auch die Fehlertoleranzen immer enger gesteckt. Die Ingenieure, die neue Materialien entwickeln und hohe Anforderungen an ihre Qualität erfüllen müssen, stellt das vor große Herausforderungen“, ergänzt Britz.

Sein Forscherkollege Seyed Majid Azimi vom Saarbrücker Max-Planck-Institut für Informatik musste ihm hingegen vermitteln, warum seine Methoden des maschinellen Lernens, auch „Deep Learning“ genannt, wesentlich präzisere Ergebnisse lieferten als alle von Expertenhand durchgeführten Bildanalysen. Dafür fütterte der Informatiker seinen 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. Doch wie war es möglich, dass der Rechner ohne „Kenntnis“ der Materialien so gute Ergebnisse lieferte?

Dafür hilft es zu verstehen, wie die Stahlproduktion abläuft, denn sie bildete für diese Studie beispielhaft die Datenbasis. „Die Herstellung von Spezialstählen ist äußerst anspruchsvoll und von vielen Faktoren abhängig, angefangen bei der chemischen Zusammensetzung über das verwendete Walzverfahren bis hin zu den verschiedenen Wärmebehandlungen. Jeder Produktionsschritt hat Auswirkungen auf die inneren Strukturen des Stahls“, erläutert Dominik Britz.

Die Materialwissenschaftler nennen diese Mikrostrukturen auch Gefüge. Darin grenzen sogenannte Körner oder Kristallite einzelne Bereiche ab, die eine bestimmte Kristallstruktur aufweisen, sich aber in ihrer Ausrichtung von den benachbarten Körnern unterscheiden. Dabei kann nicht nur die Ausrichtung der Körner, sondern auch deren individuelle Form und ihre räumliche Verknüpfung von hoher geometrischer Komplexität sein. „Dieses hoch komplexe Gefüge wird bei der Materialentwicklung und in der Qualitätskontrolle durch Mikroskopie-Aufnahmen sichtbar gemacht. Es wird dafür speziell präpariert und unter Licht- und Elektronenmikroskopen begutachtet“, erklärt Britz.

Um einen Werkstoff zu klassifizieren, werden die Mikroskopie-Aufnahmen mit Beispielbildern verglichen, die eine typische geometrische Gefügestruktur aufweisen. Erfahrene Ingenieure in der Qualitätssicherung von Unternehmen entwickeln dafür über die Jahre einen genauen Blick, um einzuschätzen, welche Stahlstruktur vorliegt.

„Doch auch ein geübter Experte kann sich täuschen, da die Bildabweichungen manchmal mit bloßem Auge kaum zu erkennen zu sind. Wir Menschen sind recht gut darin, kleine relative Unterschiede zu sehen, aber wir können nur schlecht absolute geometrische Standards wiedererkennen“, erläutert Uni-Professor Frank Mücklich, der die Studie betreut hat. Daran waren auch Mitarbeiter des von ihm geleiteten Steinbeis-Forschungszentrums für Werkstofftechnik (MECS) beteiligt.

Die Materialforscher suchten nach einem „täuschungssicheren“ objektiven Verfahren, das unabhängig von den fachlichen Vorkenntnissen des Anwenders eingesetzt werden kann. „Durch maschinelle Lernmethoden können Computer sehr schnell komplexe Muster erkennen und die Geometrie der Mikrostrukturen in Mikroskopie-Aufnahmen einander zuordnen. Sie können aber auch die Merkmale von vorher klassifizierten Mikrostrukturen lernen und diese mit den erkannten Mustern abgleichen“, erklärt Mücklich.

Auf diese Weise konnten die Saarbrücker Forscher die Mikrostrukturen von kohlenstoffarmem Stahl genau bestimmen, was bisher in dieser Detailschärfe nicht möglich war. „Unser System erreicht eine Klassifikationsgenauigkeit von rund 93 Prozent. Mit den herkömmlichen subjektiven Methoden konnten kaum mehr als 50 Prozent der Materialproben korrekt klassifiziert werden “, sagt der Materialforscher.

Dass die Saarbrücker Wissenschaftler ihre Ergebnisse in den renommierten Scientific Reports des Fachmagazins Nature veröffentlichen konnten, ist für Professor Frank Mücklich eine Anerkennung dafür, dass hier erstmals die zwei unterschiedlichen Forschungsgebiete auf so gewinnbringende Weise miteinander verknüpft wurden. „Für uns ist das erst der Beginn einer intensiven Zusammenarbeit mit der hochkarätigen Informatikforschung auf dem Saarbrücker Uni-Campus.

Die neuen Deep-Learning-Verfahren werden uns helfen, nicht nur die Qualität von Stahl und anderen Werkstoffen objektiver und genauer zu bewerten. Wir gehen davon aus, dass sich unsere Ergebnisse auch auf viele andere Produktionsprozesse und Materialien übertragen lassen“, erklärt Mücklich.
Die wissenschaftliche Studie „Advanced Steel Microstructural Classification by Deep Learning Methods” ist in den Scientific Reports des Fachmagazins Nature veröffentlicht worden. Daran beteiligt waren der Informatik-Doktorand Seyed Majid Azimi und sein Forschungsgruppenleiter Mario Fritz vom Max-Planck-Institut für Informatik sowie die Materialwissenschaftler Dominik Britz, Michael Engstler und Professor Frank Mücklich von der Universität des Saarlandes: www.nature.com/articles/s41598-018-20037-5 

Fragen beantwortet:
Prof. Dr. Frank Mücklich
Lehrstuhl für Funktionswerkstoffe der Universität des Saarlandes
Steinbeis-Forschungszentrum Material Engineering Center Saarland (MECS)
Tel. 0681/302-70500
Mail: muecke@matsci.uni-sb.de

Hinweis für Hörfunk-Journalisten: Sie können Telefoninterviews in Studioqualität mit Wissenschaftlern der Universität des Saarlandes führen, über Rundfunk-Codec (IP-Verbindung mit Direktanwahl oder über ARD-Sternpunkt 106813020001). Interviewwünsche bitte an die Pressestelle (0681/302-3610).

Weitere Informationen:

http://www.nature.com/articles/s41598-018-20037-5 - Originalpublikation
http://www.uni-saarland.de/fuwe - Lehrstuhl für Funktionswerkstoffe
https://scalable.mpi-inf.mpg.de - Forschungsgruppe von Mario Fritz (Max-Planck-Institut für Informatik)
http://www.uni-saarland.de/pressefotos

Friederike Meyer zu Tittingdorf | Universität des Saarlandes

Weitere Nachrichten aus der Kategorie Materialwissenschaften:

nachricht Fachhochschule Südwestfalen entwickelt innovative Zinklamellenbeschichtung
13.07.2018 | Fachhochschule Südwestfalen

nachricht 3D-Druck: Stützstrukturen verhindern Schwingungen bei der Nachbearbeitung dünnwandiger Bauteile
12.07.2018 | Fraunhofer-Institut für Produktionstechnologie IPT

Alle Nachrichten aus der Kategorie: Materialwissenschaften >>>

Die aktuellsten Pressemeldungen zum Suchbegriff Innovation >>>

Die letzten 5 Focus-News des innovations-reports im Überblick:

Im Focus: Erste Beweise für Quelle extragalaktischer Teilchen

Zum ersten Mal ist es gelungen, die kosmische Herkunft höchstenergetischer Neutrinos zu bestimmen. Eine Forschungsgruppe um IceCube-Wissenschaftlerin Elisa Resconi, Sprecherin des Sonderforschungsbereichs SFB1258 an der Technischen Universität München (TUM), liefert ein wichtiges Indiz in der Beweiskette, dass die vom Neutrino-Teleskop IceCube am Südpol detektierten Teilchen mit hoher Wahrscheinlichkeit von einer Galaxie in vier Milliarden Lichtjahren Entfernung stammen.

Um andere Ursprünge mit Gewissheit auszuschließen, untersuchte das Team um die Neutrino-Physikerin Elisa Resconi von der TU München und den Astronom und...

Im Focus: First evidence on the source of extragalactic particles

For the first time ever, scientists have determined the cosmic origin of highest-energy neutrinos. A research group led by IceCube scientist Elisa Resconi, spokesperson of the Collaborative Research Center SFB1258 at the Technical University of Munich (TUM), provides an important piece of evidence that the particles detected by the IceCube neutrino telescope at the South Pole originate from a galaxy four billion light-years away from Earth.

To rule out other origins with certainty, the team led by neutrino physicist Elisa Resconi from the Technical University of Munich and multi-wavelength...

Im Focus: Magnetische Wirbel: Erstmals zwei magnetische Skyrmionenphasen in einem Material entdeckt

Erstmals entdeckte ein Forscherteam in einem Material zwei unabhängige Phasen mit magnetischen Wirbeln, sogenannten Skyrmionen. Die Physiker der Technischen Universitäten München und Dresden sowie von der Universität zu Köln können damit die Eigenschaften dieser für Grundlagenforschung und Anwendungen gleichermaßen interessanten Magnetstrukturen noch eingehender erforschen.

Strudel kennt jeder aus der Badewanne: Wenn das Wasser abgelassen wird, bilden sie sich kreisförmig um den Abfluss. Solche Wirbel sind im Allgemeinen sehr...

Im Focus: Neue Steuerung der Zellteilung entdeckt

Wenn eine Zelle sich teilt, werden sämtliche ihrer Bestandteile gleichmässig auf die Tochterzellen verteilt. UZH-Forschende haben nun ein Enzym identifiziert, das sicherstellt, dass auch Zellbestandteile ohne Membran korrekt aufgeteilt werden. Ihre Entdeckung eröffnet neue Möglichkeiten für die Behandlung von Krebs, neurodegenerative Krankheiten, Alterungsprozessen und Virusinfektionen.

Man kennt es aus der Küche: Werden Aceto balsamico und Olivenöl miteinander vermischt, trennen sich die beiden Flüssigkeiten. Runde Essigtropfen formen sich,...

Im Focus: Magnetic vortices: Two independent magnetic skyrmion phases discovered in a single material

For the first time a team of researchers have discovered two different phases of magnetic skyrmions in a single material. Physicists of the Technical Universities of Munich and Dresden and the University of Cologne can now better study and understand the properties of these magnetic structures, which are important for both basic research and applications.

Whirlpools are an everyday experience in a bath tub: When the water is drained a circular vortex is formed. Typically, such whirls are rather stable. Similar...

Alle Focus-News des Innovations-reports >>>

Anzeige

Anzeige

VideoLinks
Industrie & Wirtschaft
Veranstaltungen

Interdisziplinäre Konferenz: Diabetesforscher und Bioingenieure diskutieren Forschungskonzepte

13.07.2018 | Veranstaltungen

Conference on Laser Polishing – LaP: Feintuning für Oberflächen

12.07.2018 | Veranstaltungen

Materialien für eine Nachhaltige Wasserwirtschaft – MachWas-Konferenz in Frankfurt am Main

11.07.2018 | Veranstaltungen

VideoLinks
Wissenschaft & Forschung
Weitere VideoLinks im Überblick >>>
 
Aktuelle Beiträge

Interdisziplinäre Konferenz: Diabetesforscher und Bioingenieure diskutieren Forschungskonzepte

13.07.2018 | Veranstaltungsnachrichten

Maschinelles Lernen: Neue Methode ermöglicht genaue Extrapolation

13.07.2018 | Informationstechnologie

Fachhochschule Südwestfalen entwickelt innovative Zinklamellenbeschichtung

13.07.2018 | Materialwissenschaften

Weitere B2B-VideoLinks
IHR
JOB & KARRIERE
SERVICE
im innovations-report
in Kooperation mit academics