Usando técnicas de aprendizado de máquina, cientistas da computação e cientistas de materiais em Saarbrücken desenvolveram agora um método muito mais preciso e objetivo do que os procedimentos convencionais de controle de qualidade. Seus resultados acabam de ser publicados em Relatórios Científicos .

Quando cientistas de duas disciplinas colaboram em um projeto de pesquisa, eles primeiro precisam aprender a falar a mesma língua. "Demorou um bom tempo antes que os cientistas da computação entendessem por que as estruturas internas de um material e sua representação em forma de imagem desempenham um papel tão importante para os cientistas de materiais, "diz Dominik Britz, um Ph.D. estudante do Departamento de Materiais Funcionais da Universidade de Saarland. Essas estruturas internas são importantes porque estão intimamente ligadas às propriedades exibidas pelo material.

"Como os aços modernos são fornecidos em variedades cada vez maiores e exibem estruturas internas cada vez mais complexas, as tolerâncias de erro estão se tornando mais rígidas. Isso representa um grande desafio para os engenheiros que desenvolvem novos aços e que precisam atender aos rigorosos requisitos de qualidade, "diz Britz.

Seyed Majid Azimi, do Instituto Max Planck de Informática, procurou explicar a Dominik Britz como os métodos de aprendizado profundo que ele emprega são capazes de produzir resultados significativamente mais precisos do que qualquer uma das análises de imagem conduzidas manualmente por cientistas de materiais especialistas. Para alcançar esses resultados, Azimi alimenta seu computador de alto desempenho com dados de imagem previamente classificados por especialistas. Esses dados são usados ​​para treinar os modelos de computador, e esses modelos são subsequentemente testados comparando-os com conjuntos adicionais de dados de imagem classificados por humanos. Mas como é possível para o computador gerar resultados tão surpreendentemente bons sem ter nenhum conhecimento real dos materiais envolvidos?

Neste estudo específico, que se concentrava na classificação de microestruturas de aço, a resposta está na compreensão do processo de produção do aço. "A fabricação de aços especiais é um processo extremamente complexo que depende de muitos fatores individuais, incluindo a composição química do material, o processo de laminação utilizado e os tipos de tratamento térmico a que o material é submetido. Cada estágio do processo de produção influencia a estrutura interna do aço, "explica Dominik Britz.

Os cientistas de materiais se referem a essa estrutura interna como a "microestrutura" do material. A microestrutura é composta por "grãos, "cada um dos quais é um minúsculo cristalito com uma estrutura cristalina particular. Mas os grãos vizinhos também diferem em termos de orientação espacial. Na verdade, os grãos diferem não apenas em termos de orientação, mas também em termos de suas formas individuais e sua conectividade espacial, resultando em microestruturas de alta complexidade geométrica. “Essas estruturas extremamente complexas podem se tornar visíveis durante o desenvolvimento do material e as etapas de controle de qualidade por meio de imagens microscópicas. Amostras especialmente preparadas são avaliadas por meio de microscopia óptica e eletrônica, "explica Britz.

A classificação de um material envolve a comparação dessas imagens de microscópio com imagens de referência que exibem uma microestrutura geométrica típica. Hora extra, engenheiros experientes em departamentos de garantia de qualidade da empresa desenvolvem um olhar perspicaz que lhes permite decidir com qual microestrutura de aço específica estão lidando. "Mas mesmo esses especialistas experientes às vezes fazem uma chamada incorreta, já que as diferenças entre as imagens às vezes são quase imperceptíveis a olho nu. Embora os humanos sejam muito bons em distinguir pequenas diferenças relativas, não somos muito bons em reconhecer padrões geométricos absolutos, "explica o professor Frank Muecklich, quem supervisionou o estudo. Muecklich também é Diretor do Steinbeis Materials Engineering Center Saarland (MECS) em Saarbrücken, cuja equipe esteve envolvida no estudo.

Os cientistas de materiais estavam interessados ​​em encontrar um procedimento objetivo que fosse muito menos sujeito a erros do usuário e que pudesse ser aplicado independentemente do nível de especialização do usuário. "Os métodos de aprendizado de máquina permitem que os computadores reconheçam padrões complexos muito rapidamente e atribuam a geometria das microestruturas em imagens microscópicas. Eles podem aprender as características de microestruturas previamente classificadas e compará-las com padrões reconhecidos, "explica Muecklich. Usando essa abordagem, a equipe de pesquisa em Saarbrücken foi capaz de determinar as microestruturas do aço de baixo carbono com um nível de precisão que não era possível anteriormente. "Ao usar nosso sistema para classificação microestrutural, alcançamos um nível de precisão de cerca de 93 por cento. Com métodos convencionais, apenas cerca de 50 por cento das amostras de materiais são classificadas corretamente, "diz Muecklich.

Os resultados são publicados em Relatórios Científicos .