🔬 materials science

Probabilistic Deep Learning Framework for Phase Transformation Forecasting aided by In Situ High temperature Microscopy

Este artículo presenta un marco de aprendizaje profundo probabilístico que unifica la compresión de imágenes, la predicción temporal y el pronóstico de microestructuras para predecir con precisión la evolución de la ferrita Widmanstätten en el acero S235 bajo historias térmicas arbitrarias utilizando datos de microscopía in situ a alta temperatura.

Autores originales: Ioannis Kouroudis, Niki Balestrieri, Stefan Rotzsche, Niccolo Radice, Peter Mayr, Alessio Gagliardi

Publicado 2026-09-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ioannis Kouroudis, Niki Balestrieri, Stefan Rotzsche, Niccolo Radice, Peter Mayr, Alessio Gagliardi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La resistencia, la tenacidad y la durabilidad del acero en un puente, el chasis de un coche o un rascacielos no están determinadas únicamente por los productos químicos mezclados en el metal fundido. Son decididas por la arquitectura invisible que se forma dentro del metal mientras se enfría. Cuando el acero se calienta y luego se deja enfriar, su estructura interna se reorganiza en diferentes formas y patrones, de manera muy similar a como el agua se congela en cristales de hielo. La velocidad a la que el metal se enfría dicta qué patrones emergen. Si se enfría rápidamente, se forma un tipo de cristal; si se enfría lentamente, otro diferente toma el control. Estos patrones microscópicos, conocidos como fases, son los jueces definitivos de cómo se comportará el material bajo tensión. Para los ingenieros, predecir exactamente cómo se formarán estos patrones es un desafío de alto riesgo. Los métodos tradicionales dependen de diagramas estáticos que asumen una velocidad de enfriamiento constante e invariable, pero la fabricación en el mundo real suele implicar temperaturas complejas y cambiantes que estos diagramas no pueden capturar.

Un equipo de investigadores de la Universidad Técnica de Múnich ha desarrollado una nueva forma de resolver este problema, enseñando a una computadora a observar el enfriamiento del acero en tiempo real y a predecir su futuro. En lugar de depender de diagramas estáticos, utilizaron un microscopio potente para filmar la superficie de un acero S235 mientras se transformaba de un estado fundido y caliente a una estructura sólida. Luego, introdujeron estas grabaciones de video, junto con el historial exacto de temperatura del proceso de enfriamiento, en un sistema de inteligencia artificial sofisticado. Este sistema aprendió a comprimir los complejos detalles visuales de la superficie del acero en un resumen simple, el cual utilizó para pronosticar cómo evolucionaría la estructura interna segundo a segundo. El resultado es una herramienta que no solo adivina el resultado final, sino que predice todo el viaje de la transformación, incluyendo qué tan cierta o incierta es esa predicción en cualquier momento dado.

Los investigadores se centraron en un tipo específico de estructura de acero llamado ferrita de Widmanstätten, que aparece como formas de aguja creciendo dentro del metal. Esta estructura es común en los aceros estructurales e influye significeltivamente en su resistencia. Para entender cómo se forma, el equipo calentó pequeñas muestras de acero S235 a 1.200 grados Celsius, una temperatura lo suficientemente alta como para derretir la estructura de grano interna, y luego las dejó enfriar a cinco velocidades diferentes. Utilizaron un microscopio de escaneo láser confocal de alta temperatura para capturar los cambios en la superficie. Este microscopio especializado utiliza un láser para crear una imagen nítida del metal incluso mientras está brillando por el calor, permitiendo a los científicos ver las estructuras en forma de aguja aparecer y crecer sin la interferencia de la propia radiación térmica del metal. Registraron estos eventos a una tasa de diez fotogramas por segundo, creando una película continua de la transformación para cada velocidad de enfriamiento.

Para dar sentido a estas películas, los investigadores primero tuvieron que enseñar a una computadora cómo identificar las estructuras en forma de aguja de manera automática. Desarrollaron un método que escanea cada fotograma del video, buscando cambios específicos de contraste que señalen la presencia de la ferrita. Al contar los píxeles que coinciden con este patrón, el sistema calculó exactamente qué porcentaje de la superficie estaba cubierto por estas estructuras en cada momento. Confirmaron que este método era preciso comparando los conteos de la computadora con fotografías de laboratorio tradicionales de las mismas muestras de acero tras haber sido enfriadas y tratadas químicamente para revelar su estructura completa. Los datos mostraron un patrón claro: cuanto más rápido se enfriaba el acero, más de estas estructuras en forma de aguja se formaban. Cuando el enfriamiento fue rápido, tomando unos 19 segundos para bajar de 800 a 500 grados Celsius, el acero terminó con aproximadamente un 51 por ciento de esta estructura. Cuando el enfriamiento fue lento, tomando casi 100 segundos, la cantidad descendió a cerca del 28 por ciento.

El núcleo de este nuevo marco de trabajo es un sistema de inteligencia artificial de dos partes diseñado para predecir esta evolución. La primera parte toma la imagen inicial de la superficie del acero antes de que comience a enfriarse y la comprime en un resumen digital compacto. Este resumen captura la condición inicial única de esa pieza específica de metal. Este resumen, junto con la velocidad de enfriamiento, se pasa a un segundo sistema más complejo que actúa como un predictor de viajes en el tiempo. Este sistema observa el historial de temperatura a medida que se desarrolla y pronostica cómo cambiará el porcentaje de estructuras en forma de aguja a lo largo del tiempo. No proporciona simplemente un número único; ofrece un rango de resultados probables, mostrando la trayectoria más probable y los límites de la incertidumbre. Para asegurar que la predicción sea precisa al final, un tercer componente verifica el estado final y corrige el pronóstico si el sistema principal se desvía ligeramente del curso.

Los resultados de este enfoque fueron notablemente precisos. Cuando los investigadores probaron el sistema con muestras de acero que nunca había visto, las trayectorias predichas de la transformación coincidieron con las trayectorias observadas reales con alta fidelidad. El sistema identificó correctamente cuándo comenzó la transformación, qué tan rápido creció y cuándo se detuvo. En una prueba estadística que comparó los valores predichos contra las mediciones reales, el modelo logró una puntuación de 0,955, lo que indica un acuerdo muy sólido. El sistema también cuantificó con éxito su propia incertidumbre. Durante los períodos en los que el acero era estable y nada estaba cambiando, el rango de resultados posibles era muy estrecho. Sin embargo, a medida que la transformación comenzaba y las estructuras en forma de aguja empezaban a crecer rápidamente, el rango de incertidumbre se amplió, reflejando la variabilidad natural del proceso. Esta capacidad de mostrar no solo qué sucederá, sino qué tan confiante es el modelo en esa predicción, es un paso significativo hacia adelante.

Este trabajo demuestra que es posible ir más allá de los diagramas estáticos y las simples conjeturas hacia una comprensión dinámica y probabilística de cómo cambian los materiales. Al combinar el de la imagen de alta velocidad con el aprendizaje automático avanzado, los investigadores crearon un marco que puede rastrear la vida de la estructura interna de un material mientras sucede. Aunque el estudio actual se centró en un tipo de acero y un patrón estructural específico, el método está diseñado para ser adaptable. Los investigadores sugieren que este mismo enfoque podría aplicarse eventualmente a otros materiales y ciclos de calentamiento más complejos, como los que se encuentran en la impresión 3D o la soldadura. El objetivo final es proporcionar a los ingenieros una herramienta que pueda guiar el proceso de fabricación en tiempo real, permitiéndoles ajustar la velocidad de enfriamiento sobre la marcha para lograr las propiedades exactas del material que necesitan. Esto representa un cambio de simplemente observar el pasado a moldear activamente el futuro del rendimiento de los materiales.

Resumen Técnico: Marco de Aprendizaje Profundo Probabilístico para la Predicción de Transformaciones de Fase

Planteamiento del Problema
El rendimiento mecánico de los materiales estructurales, particularmente de los aceros como el S235, está regido por su microestructura, la cual evoluciona en función de su historial térmico. Si bien los diagramas convencionales de Transformación durante el Enfriamiento Continuo (CCT) y los modelos termodinámicos (por ejemplo, Johnson-Mehl-Avrami-Kolmogorov) proporcionan descripciones estáticas de las transformaciones de fase, presentan limitaciones significativas. Los diagramas CCT se miden típicamente para composiciones únicas y tasas de enfriamiento constantes, lo que les impide capturar ciclos térmicos arbitrarios y no monotónicos comunes en la soldadura y la fabricación aditiva. Además, carecen de información sobre la morfología microestructural, la distribución espacial y la heterogeneidad de grano. Los enfoques actuales de aprendizaje profundo suelen tratar la caracterización basada en imágenes, la predicción temporal y la previsión microestructural como tareas separadas, centrándose en estados finales en lugar de la evolución dinámica de las microestructuras bajo trayectorias térmicas arbitrarias. Existe una brecha metodológica en la unificación de estas tareas para pronosticar la trayectoria completa de la transformación con cuantificación de la incertidumbre utilizando datos de microscopía in situ de alta temperatura.

Metodología
Los autores proponen un marco de aprendizaje profundo probabilístico que unifica la caracterización basada en imágenes y la predicción temporal para datos de microscopía de barrido láser confocal de alta temperatura (HT-CLSM) in situ. El flujo de trabajo consta de tres componentes principales:

Adquisición y Preprocesamiento de Datos:
- Se realizaron experimentos en acero S235 utilizando HT-CLSM, capturando video a 10 fps durante el enfriamiento desde 1200 °C bajo cinco regímenes de enfriamiento distintos (Configuraciones 1–5), caracterizados por tiempos $t_{8/5}$ que oscilan entre ~19 s y ~99 s.
- Las imágenes superficiales iniciales se procesaron mediante un flujo de trabajo de Python/OpenCV. Los fotogramas se muestrearon a 1 fps, se convirtieron a escala de grises y se normalizaron mediante ecualización de histograma, y se recortaron a 800×800 píxeles.
- Una rutina de enmascaramiento de gradiente identificó las láminas de ferrita de Widmanstätten mediante el umbral de los gradientes de contraste local, computando la relación de ferrita de Widmanstätten (fracción de área) para cada fotograma como la verdad de terreno (ground truth).
Arquitectura del Modelo:
- Autoencoder Variacional $\beta$ ( $\beta$ -VAE): La imagen superficial inicial se comprime en una representación latente de baja dimensión ( $d=20$ ). El $\beta$ -VAE (con $\beta=3$ ) impone una compresión más fuerte hacia un prior de distribución normal estándar, asegurando un colector (manifold) latente continuo y suave donde imágenes similares se mapean en vectores cercanos. Esto sirve como una covariable estática que representa la microestructura inicial.
- Transformador de Fusión Temporal (TFT): La representación de la imagen latente, la tasa de enfriamiento y la historia completa de la temperatura $T(t)$ se introducen en un TFT. El TFT utiliza codificadores LSTM para dependencias locales y atención de múltiples cabezales para dependencias globales. Este genera un pronóstico de cuantiles (específicamente 0.05, 0.25, 0.5, 0.75, 0.95) de la relación de la ferrita de Widmanstätten a lo largo del tiempo, capturando la evolución dinámica.
- Proceso Gaussiano (GP): En paralelo, la misma representación latente y la tasa de enfriamiento se pasan a un GP con un núcleo MLP. El GP predice la relación de la ferrita de Widmanstätten del estado final (equilibrio) como un escalar único.
- Estrategia de Fusión: El TFT proporciona el perfil de evolución dinámica, mientras que el GP corrige el nivel de equilibrio. El modelo identifica el punto de saturación (donde el gradiente de la trayectoria mediana del TFT es cercano a cero y el tiempo excede un periodo de guarda) y reemplaza la predicción del TFT con la estimación de equilibrio del GP a partir de ese punto en adelante. Esto produce una secuencia con estimaciones puntuales corregidas e intervalos de predicción probabilísticos.

Contribuciones Clave

Marco Unificado: Este trabajo introduce un único flujo de trabajo que integra la caracterización basada en imágenes, la predicción temporal y la previsión microestructural, yendo más allá de la separación de estas tareas presente en la literatura previa.
Previsión Probabilística: A diferencia de los diagramas CCT deterministas o los modelos de regresión de un solo punto, el marco proporciona pronósticos específicos de la trayectoria con cuantificación de la incertidumbre (intervalos de predicción). Distingue entre fases deterministas (mesetas) y fases estocásticas (rampas de transformación).
Arquitectura Híbrida: La combinación de un $\beta$ -VAE para la compresión de imágenes estáticas, un TFT para la dinámica temporal y un GP para la corrección del equilibrio aborda el compromiso entre los mecanismos de recurrencia y atención, asegurando la consistencia física con el estado final.
Aplicación In Situ: El método está diseñado específicamente y validado para datos de HT-CLSM temporalmente continuos, capturando dimensiones espaciales y temporales simultáneamente bajo ciclos térmicos controlados.

Resultados
El marco fue evaluado en acero S235 a través de cinco configuraciones de enfriamiento (cuatro repeticiones por configuración) utilizando una validación cruzada de 5 pliegues a nivel de configuración para asegurar la generalización a historias térmicas no vistas.

Tendencias Microestructurales: El análisis experimental confirmó un aumento monotónico de la fracción de ferrita de Widmanstätten con el aumento de la tasa de enfriamiento (de ~28% a 3 K/s hasta ~51% a 16 K/s), lo cual es consistente con los mecanismos metalúrgicos donde el enfriamiento más rápido suprime el crecimiento difusional y promueve la formación de placas laterales.
Precisión de la Predicción: El modelo TFT corregido por equilibrio alcanzó un coeficiente de determinación global $R^2 = 0.955$ , un Error Absoluto Medio (MAE) de 0.021 y un Error Cuadrático Medio (RMSE) de 0.038 en todas las muestras de prueba.
Dinámica Temporal: El modelo rastreó con precisión el inicio de la transformación, el crecimiento sigmoideo y la meseta de saturación. Los intervalos probabilísticos fueron estrechos en las regiones de pre-transformación y de meseta, pero se ensancharon durante la transformación activa, reflejando la variabilidad cinética. Los intervalos del 5–95% envolvieron consistentemente las trayectorias de la verdad de terreno.
Limitaciones: El rendimiento mostró cierta dispersión en proporciones extremas (>0.45 y <0.1), atribuida a la escasez de datos en los extremos y a la dificultad de localizar transformaciones displacivas abruptas. La verdad de terreno está limitada a secciones superficiales en 2D.

Significado
El artículo sostiene que este marco verifica la relevancia de unificar los datos de imagen y temporales para la previsión de la transformación de fase. Al proporcionar predicciones probabilísticas y específicas de la trayectoria en lugar de resúmenes estáticos, el método ofrece una herramienta más informativa para comprender la cinética de transformación (inicio, tasa de crecimiento, saturación). Los autores afirman que este enfoque allana el camino para una investigación más ágil y acelerada de la evolución de los materiales bajo tratamiento térmico. Permite la predicción de respuestas ante historias térmicas previamente no vistas y abre la posibilidad de monitorear y adaptar ciclos térmicos en tiempo real. Este trabajo sirve como prueba de concepto para el soporte de decisiones basado en datos en el procesamiento de materiales, con el potencial futuro de extenderse a otros constituyentes de fase y a la optimización en línea de perfiles térmicos.

Más como este