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

De sterkte, taaiheid en duurzaamheid van het staal in een brug, een autoframe of een wolkenkrabber worden niet uitsluitend bepaald door de chemicaliën die aan het gesmolten metaal zijn toegevoegd. Ze worden beslist door de onzichtbare architectuur die zich binnen het metaal vormt terwijl het afkoelt. Wanneer staal wordt verhit en vervolgens wordt afgekoeld, herschikt de interne structuur zich in verschillende vormen en patronen, vergelijkbaar met hoe water bevriest tot ijskristallen. De snelheid waarmee het metaal afkoelt, bepaalt welke patronen ontstaan. Als het snel afkoelt, vormt zich één type kristal; als het langzaam afkoelt, neemt een ander type het over. Deze microscopische patronen, bekend als fasen, zijn de ultieme rechters van hoe het materiaal zich onder spanning zal gedragen. Voor ingenieurs is het precies voorspellen hoe deze patronen zullen vormen een uitdaging met hoge inzet. Traditionele methoden vertrouwen op statische grafieken die uitgaan van een constante, onveranderlijke afkoelsnelheid, maar in de echte wereld van de productie komen vaak complexe, verschuivende temperaturen voor die deze grafieken niet kunnen vangen.

Een team van onderzoekers aan de Technische Universiteit van München heeft een nieuwe manier ontwikkeld om dit probleem op te lossen door een computer te leren om het staal in realtime te zien afkoelen en de toekomst te voorspellen. In plaats van te vertrouwen op statische diagrammen, gebruikten ze een krachtige microscoop om het oppervlak van S235-staal te filmen terwijl het transformeerde van een hete, gesmolten staat naar een vaste structuur. Vervolgens voedden ze deze video-opnames, samen met de exacte temperatuurgeschiedenis van het afkoelproces, aan een geavanceerd systeem van kunstmatige intelligentie. Dit systeem leerde de complexe visuele details van het oppervlak van het staal te comprimeren tot een eenvoudige samenvatting, die het vervolgens gebruikte om te voorspellen hoe de interne structuur zich seconde per seconde zou ontwikkelen. Het resultaat is een hulpmiddel dat niet alleen de uiteindelijke uitkomst raadt, maar de hele reis van de transformatie voorspelt, inclusief hoe zeker of onzeker die voorspelling op elk gegeven moment is.

De onderzoekers richtten zich op een specifiek type staalstructuur genaamd Widmanstätten-ferriet, dat verschijnt als naaldvormige vormen die binnen het metaal groeien. Deze structuur is gebruikelijk in constructiestalen en beïnvloedt de sterkte aanzienlijk. Om te begrijpen hoe het vormt, verhitten het team kleine monsters van S235-staal tot 1.200 graden Celsius, een temperatuur die hoog genoeg is om de interne korrelstructuur te doen smelten, en lieten ze deze vervolgens afkoelen met vijf verschillende snelheden. Ze gebruikten een hogetemperatuur confocal laser scanning microscoop om de veranderingen op het oppervlak vast te leggen. Deze gespecialiseerde microscoop gebruikt een laser om een scherp beeld van het metaal te creëren, zelfs terwijl het gloeiend heet is, waardoor wetenschappers de naaldvormige structuren kunnen zien verschijnen en groeien zonder de interferentie van de eigen warmtestraling van het metaal. Ze namen deze gebeurtenissen op met een snelheid van tien frames per seconde, waardoor ze voor elke afkoelsnelheid een continue film van de transformatie maakten.

Om de films betekenis te geven, moest het team de computer eerst leren hoe hij de naaldvormige structuren automatisch kan identificeren. Ze ontwikkelden een methode die elk frame van de video scant en zoekt naar specifieke veranderingen in contrast die de aanwezigheid van het ferriet signaleren. Door de pixels te tellen die aan dit patroon voldoen, berekende het systeem exact welk percentage van het oppervlak door deze structuren werd bedekt op elk moment. Ze bevestigden dat deze methode accuraat was door de tellingen van de computer te vergelijken met traditionele laboratoriumfoto's van dezelfde staalmonsters nadat deze waren afgekoeld en chemisch waren behandeld om hun volledige structuur te onthullen. De gegevens toonden een duidelijk patroon: hoe sneller het staal afkoelde, hoe meer van deze naaldvormige structuren er vormden. Wanneer de afkoeling snel was, waarbij het ongeveer 19 seconden duurde om van 800 naar 500 graden Celsius te dalen, eindigde het staal met ongeveer 51 procent van deze structuur. Wanneer de afkoeling traag was, wat bijna 100 seconden duurde, daalde het aantal naar ongeveer 28 procent.

De kern van het nieuwe framework is een tweeledig systeem van kunstmatige intelligentie dat ontworpen is om deze evolutie te voorspellen. Het eerste deel neemt het initiële beeld van het oppervlak van het staal voordat het begint af te koelen en comprimeert dit tot een compacte digitale samenvatting. Deze samenvatting legt de unieke beginconditie van dat specifieke stuk metaal vast. Deze samenvatting wordt, samen met de afkoelsnelheid, doorgegeven aan een tweede, complexer systeem dat fungeert als een tijdreizende voorspeller. Dit systeem observeert de temperatuurgeschiedenis terwijl deze zich ontvouwt en voorspelt hoe het percentage naaldvormige structuren in de loop van de tijd zal veranderen. Het geeft niet slechts één getal; het biedt een reeks waarschijnlijke uitkomsten, waarbij het meest waarschijnlijke pad en de grenzen van de onzekerheid worden getoond. Om ervoor te zorgen dat de voorspelling aan het einde accuraat is, controleert een derde component de eindtoestand en corrigeert de voorspelling als het hoofd systeem licht uit koers raakt.

De resultaten van deze aanpak waren opmerkelijk nauwkeurig. Wanneer de onderzoekers het systeem testten op staalmonsters die het nog nooit eerder had gezien, kwamen de voorspelde paden van de transformatie met hoge getrouwheid overeen met de werkelijk geobserveerde paden. Het systeem identificeerde correct wanneer de transformatie begon, hoe snel deze groeide en wanneer deze stopte. In een statistische test waarbij de voorspelde waarden werden vergeleken met de werkelijke metingen, behaalde het model een score van 0,955, wat wijst op een zeer sterke overeenstemming. Het systeem slaagde er ook in om zijn eigen onzekerheid te kwantificeren. Tijdens de perioden waarin het staal stabiel was en er niets veranderde, was de reeks mogelijke uitkomsten zeer smal. Echter, toen de transformatie begon en de naaldvormige structuren snel begonnen te groeien, werd de reikwijdte van de onzekerheid groter, wat de natuurlijke variabiliteit van het proces weerspiegelde. Dit vermogen om niet alleen te laten zien wat er zal gebeuren, maar ook hoe zeker het model is van die voorspelling, is een belangrijke stap voorwaarts.

Dit werk demonstreert dat het mogelijk is om verder te gaan dan statische grafieken en eenvoudige gissingen naar een dynamisch, probabilistisch begrip van hoe materialen veranderen. Door hoge-snelheidsbeeldvorming te combineren met geavanceerde machine learning, hebben de onderzoekers een framework gecreëerd dat de levensloop van de interne structuur van een materiaal kan volgen terwijl deze plaatsvindt. Hoewel de huidige studie zich concentreerde op één type staal en één specifiek structureel patroon, is de methode ontworpen om aanpasbaar te zijn. De onderzoekers suggereren dat deze aanpak uiteindelijk kan worden toegepast op andere materialen en complexere verwarmingscycli, zoals die in 3D-printen of lassen. Het uiteindelijke doel is om ingenieurs een hulpmiddel te bieden dat hen in staat stelt het productieproces in realtime te sturen, zodat zij de afkoelsnelheid tijdens het proces kunnen aanpassen om precies de materiaaleigenschappen te bereiken die zij nodig hebben. Dit vertegenwoordigt een verschuiving van het simpelweg observeren van het verleden naar het actief vormgeven van de toekomst van materiaaleigenschappen.