Utilizando técnicas de aprendizaje automático, los informáticos y los científicos de materiales en Saarbrücken ahora han desarrollado un método que es mucho más preciso y objetivo que los procedimientos convencionales de control de calidad. Sus resultados se acaban de publicar en Informes científicos , la revista de acceso abierto asociada con la revista científica Naturaleza .
Cuando los científicos de dos disciplinas diferentes colaboran en un proyecto de investigación, primero necesitan aprender a hablar el mismo idioma. "Pasaron bastante tiempo antes de que los informáticos entendieran por qué las estructuras internas de un material y su representación enla forma de la imagen juega un papel tan importante para los científicos de materiales ", dice Dominik Britz, un estudiante de doctorado en el Departamento de Materiales Funcionales de la Universidad de Saarland. Estas estructuras internas son importantes porque están estrechamente vinculadas con las propiedades exhibidas por el material".Los aceros modernos se suministran en variedades cada vez mayores y debido a que exhiben estructuras internas cada vez más complejas, las tolerancias de error son cada vez más estrictas. Esto plantea un gran desafío para los ingenieros que desarrollan nuevos aceros y que necesitan cumplir con estrictos requisitos de calidad '', agrega Britz.
Para su colega de investigación Seyed Majid Azimi en el Instituto Max Planck de Informática, el trabajo fue primero explicarle a Dominik Britz cómo los métodos de aprendizaje automático 'aprendizaje profundo' que emplea son capaces de producir resultados significativamente más precisos que cualquier otrode los análisis de imágenes realizados manualmente por científicos expertos en materiales. Para lograr tales resultados, Azimi alimenta su computadora de alto rendimiento con datos de imágenes que previamente fueron 'clasificados a mano' por expertos. Estos datos se utilizan para entrenar los modelos de computadora y estos modelos sonposteriormente se probó comparándolos con conjuntos adicionales de datos de imágenes clasificadas por humanos, pero ¿cómo es posible que la computadora genere resultados tan asombrosamente buenos sin tener ningún "conocimiento" real de los materiales involucrados?
En este estudio en particular, que se centró en clasificar las microestructuras de acero, la respuesta está en comprender el proceso de producción de acero. 'La fabricación de aceros especiales es un proceso extremadamente complejo que depende de muchos factores individuales, incluida la composición química del material, el proceso de laminacióny los tipos de tratamiento térmico al que se somete el material. Cada etapa del proceso de producción influye en la estructura interna del acero ", explica Dominik Britz. Los científicos de materiales se refieren a esta estructura interna como la" microestructura "del material.compuesto de 'granos', cada uno de los cuales es un pequeño cristalito con una estructura cristalina particular. Pero los granos vecinos también difieren en términos de su orientación espacial. De hecho, los granos difieren no solo en términos de su orientación, sino también en términos desus formas individuales y su conectividad espacial, lo que resulta en microestructuras de alta complejidad geométrica.Pueden hacerse visibles estructuras complejas durante el desarrollo del material y las etapas de control de calidad tomando imágenes microscópicas.Las muestras especialmente preparadas se evalúan mediante microscopía óptica y electrónica '', explica Britz.
La clasificación de un material implica comparar estas imágenes de microscopio con imágenes de referencia que exhiben una microestructura geométrica típica. Con el tiempo, los ingenieros experimentados en los departamentos de aseguramiento de la calidad de la compañía desarrollan un ojo exigente que les permite decidir con qué microestructura de acero en particular están tratando ''.incluso estos expertos practicados a veces hacen una llamada incorrecta, ya que las diferencias entre las imágenes a veces son apenas perceptibles a simple vista. Aunque los humanos son bastante buenos para distinguir pequeñas diferencias relativas, no somos muy buenos para reconocer estándares geométricos absolutos '', explica.Profesor Frank Muecklich, quien supervisó el estudio. Muecklich también es Director del Centro de Ingeniería de Materiales Steinbeis Saarland MECS en Saarbrücken, cuyo personal estuvo involucrado en el estudio.
Los científicos de materiales estaban interesados en encontrar un procedimiento objetivo que fuera mucho menos propenso al error del usuario y que pudiera aplicarse independientemente del nivel de experiencia del usuario. 'Los métodos de aprendizaje automático permiten a las computadoras reconocer patrones complejos muy rápidamente y asignar la geometríade las microestructuras en imágenes de microscopio. Pueden aprender las características de microestructuras previamente clasificadas y compararlas con patrones reconocidos ", explica Muecklich. Utilizando este enfoque, el equipo de investigación en Saarbrücken pudo determinar las microestructuras de acero bajo en carbono a un nivelde precisión que antes no era posible. "Al utilizar nuestro sistema para la clasificación microestructural, alcanzamos un nivel de precisión de alrededor del 93 por ciento. Con los métodos convencionales, solo alrededor del 50 por ciento de las muestras de material se clasifican correctamente", dice Muecklich.
Fuente de la historia :
Materiales proporcionados por Universidad de Saarland . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :