학술논문

Determination of grain size distribution of prior austenite grains through a combination of a modified contrasting method and machine learning
Document Type
research-article
Source
Practical Metallography. 60(1):4-36
Subject
Steel
prior austenite grains
etching
segmentation
machine learning
quantification
Stahl
ehemalige Austenitkörner
Ätzung
Segmentierung
Maschinelles Lernen
Quantifizierung
Language
English
ISSN
2195-8599
Abstract
In der Stahlforschung und Verfahrensentwicklung ist die Größe der ehemaligen Austenitkörner (Prior Austenite Grain Size, PAGS) einer der wichtigsten Gefügeparameter. Da die PAGS im Rahmen der Herstellung von Stahlblechen beim Walzvorgang direkt mit der Rekristallisation korreliert, hat sie einen großen Einfluss auf die mechanischen Eigenschaften. Die Nachfrage nach Verfahren zur zuverlässigen und reproduzierbaren Bestimmung der PAGS ist groß. Es gibt einige verschiedene Ansätze zur Messung der PAGS, die auf unterschiedlichen Funktionsprinzipien basieren. Der Schwerpunkt im vorliegenden Beitrag liegt dabei auf chemischen Ätzverfahren. Im Gegensatz zu indirekten Verfahren stellen diese ortsaufgelöste Bilder bereit. Sie lassen sich schnell anwenden und liefern aussagekräftige Statistiken. Zudem müssen die Proben nicht zwangsläufig zur Verbesserung der Ätzung vorbehandelt werden, was zu einer unerwünschten Veränderung der bedeutsamen Eigenschaften führen kann. Um unbekannte Einflussgrößen zu ermitteln und bekannte Parameter für eine Anwendung auf kohlenstoffarme Stähle abzustimmen, wurde eine Parameterstudie durchgeführt. Im Rahmen dieses Beitrags wird eine neuartige objektive Weise der Bestimmung der PAGS vorgestellt. Es wurde eine reproduzierbare Vorgehensweise erarbeitet, mit der die ehemaligen Austenitkorngrenzen (Prior Austenit Grain Boundaries, PAGBs) kohlenstoffarmer Stähle automatisiert rekonstruiert werden können und daraus die PAGS bestimmt werden kann. Basierend auf einer verbesserten Ätzrezeptur konnte eine Routine erarbeitet werden, bei der auf moderne Verfahren des maschinellen Lernens im Bereich der rechnerbasierten Interpretation von Bildern (Computer Vision) zurückgegriffen wird, die eine quantitative Analyse lichtmikroskopischer Aufnahmen ermöglicht. Zur Erkennung der PAGBs auf Grundlage korrelativer EBSD-Daten und Beurteilung von Experten wird zur Rekonstruktion des ehemaligen morphologischen Gefüges auf die semantische Segmentierung zurückgegriffen. Abgesehen von der Bestimmung der durchschnittlichen Korngröße lassen sich so auch die Verteilung der PAGS und die morphologischen Parameter quantifizieren.