Использование искусственных нейронных сетей в металловедении для решения задач анализа изображений, в частности сегментации или классификации микроструктур металлов, включает в себя 6 основных этапов: определение проблемы, составление набора данных, выбор модели, обучение модели, оценка модели, интеграция с существующим рабочим процессом. В статье подробно рассмотрены эти этапы, приводится пример их реализации для се-мантической сегментации микроструктур композиционных покрытий, содержащих крупные первичные карбиды. Выделение карбидов нейронной сетью позволяет автоматизировать процесс определения их объемной доли в структуре покрытий.
Предпросмотр статьи
Идентификаторы и классификаторы
В настоящее время методы машинного обучения широко используются в различных отраслях промышленности, так как позволяют автоматизировать производственные процессы, улучшить качество продукции и снизить затраты на производство [1]. Современные методы машинного обучения применяют и в металловедении [2–4]. Так, в последнее время было проведено много исследований, использующих алгоритмы машинного обучения для классификации микроструктур [5–7], их количественного анализа [8], открытия новых материа-лов, обладающих полезными свойствами [9], и т. д.
Список литературы
Сааков Д. В. Применение методов машинного обучения для оптимизации производственных процессов в металлургической промышленности // Инновации и инвестиции. – 2023. – №. 5. – С. 308–311.
2. Оценка прочностных характеристик сталей после термомеханической обработки на основе нейросетевого анализа цифровых фотографий микроструктур / А. В. Клюев, В. Ю. Столбов, Н. В. Копцева, Ю. Ю. Ефимова // Черные металлы. – 2020. – №. 6. – С. 50–56.
3. Overview: computer vision and machine learning for microstructural characterization and analysis / E. A. Holm, R. Cohn, N. Gao, A. R. Kitahara, T. P. Matson, B. Lei, S. R. Yarasi // Metallurgical and Materials Transactions A: Physical Metallurgy and Materials Science. – 2020. – Vol. 51 (12). – P. 5985–5999. – DOI: 10.1007/s11661-020-06008-4.
4. Modelling the steel microstructure knowledge for in-silico recognition of phases using machine learning / S. Gupta, A. Banerjee, J. Sarkar, M. Kundu, S. K. Sinha, N. R. Bandyopadhyay, S. Ganguly // Materials Chemistry and Physics. – 2020. – Vol. 252. – P. 123286. – DOI: 10.1016/j.matchemphys.2020.123286.
5. Residual neural network-based fully convolutional network for microstructure segmentation / J. Jang, D. Van, H. Jang, D. H. Baik, S. D. Yoo, J. Park, S. Mhin, J. Mazumder, S. H. Lee // Science and Technology of Welding and Joining. – 2020. – Vol. 25 (4). – P. 282–289. – DOI: 10.1080/13621718.2019.1687635.
6. Autonomous interpretation of the microstructure of steels and special alloys / B. Mulewicz, G. Korpala, J. Kusiak, U. Prahl // Materials Science Forum. – 2019. – Vol. 949. – P. 24–31. – DOI: 10.4028/www.scientific.net/MSF.949.24.
7. DeCost B. L., Francis T., Holm E. A. Exploring the microstructure manifold: Image texture representations applied to ultrahigh carbon steel microstructures // Acta Materialia. – 2017. – Vol. 133. – P. 30–40. – DOI: 10.1016/j.actamat.2017.05.014.
8. A new solution for automatic microstructures analysis from images based on a backpropagation artificial neural network / V. H. C. De Albuquerque, P. C. Cortez, A. R. De Alexandria, J. M. R. S. Tavares // Nondestructive Testing and Evaluation. – 2008. – Vol. 23 (4). – P. 273–283. – DOI: 10.1080/10589750802258986.
9. Microstructure recognition using convolutional neural networks for prediction of ionic conductivity in ceramics / R. Kondo, S. Yamakawa, Y. Masuoka, S. Tajima, R. Asahi // Acta Materialia. – 2017. – Vol. 141. – P. 29–38. – DOI: 10.1016/j.actamat.2017.09.004.
10. Machine learning for microstructure characterization and materials design: a perspective / A. Baskaran, E. J. Kautz, A. Chowdhary, W. Ma, B. Yener, D. J. Lewis // JOM. – 2021. – Vol. 73 (11). – P. 3639−3657. – DOI: 10.1007/s11837-021-04805-9.
11. Ковун В. А., Каширина И. Л. Использование нейронных сетей U-Net и W-Net в металлографическом анализе образцов стали // Вестник ВГУ. Серия «Системный анализ и информационные технологии». – 2022. – № 1. – С. 101−110. – DOI: 10.17308/sait.2022.1/9205.
12. Prior austenite grain boundary recognition in martensite microstructure based on deep learning / X.-d. Wang, N. Li, H. Su, H.-m. Meng // Journal of Iron and Steel Research International. – 2023. – Vol. 30. – P. 1050–1056. – DOI: 10.1007/s42243-023-00947-z.
13. Шарыбин С. И. Автоматизация контроля качества функциональных материалов на основе средств интеллектуальной поддержки принятия решений : дис. ... канд. техн. наук : 05.13.06. – Пермь, 2015. – 162 с.
14. Automatic identification of the multiphase microstructures of steels based on ASPP–FCN / L. Xie, W. Li, L. Fan, M. Zhou // Steel Research International. – 2023. – Vol. 94. – 2200204. – DOI: 10.1002/srin.202200204.
15. Automated semantic segmentation of NiCrBSi-WC optical microscopy images using convolutional neural networks / D. Rose, J. Forth, H. Henein, T. Wolfe, A. J. Qureshi // Computational Materials Science. – 2022. – Vol. 210. – P. 111391. – DOI: 10.1016/j.commatsci.2022.111391.
16. Судьин В. В. Исследование особенностей разрушения низколегированных сталей и их сварных соединений в интервале вязко-хрупкого перехода : дис. ... канд. техн. наук : 01.04.07. – Москва, 2021. – 189 с.
17. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. – 2017. – Vol. 60 (6). – P. 84−90. – DOI: 10.1145/3065386.
18. Лукашик Д. В. Анализ современных методов сегментации изображений // Экономика и качество систем связи. – 2022. – № 2 (24). – С. 57−65.
19. A deep learning model for automatic analysis of cavities in irradiated materials / Q. Chen, C. Zheng, Y. Cui, Y.-R. Lin, S. J. Zinkle // Computational Materials Science. – 2023. – Vol. 221. – 112073. – DOI: 10.1016/j.commatsci.2023.112073.
20. Hurtado J. V., Valada A. Semantic scene segmentation for robotics // Deep Learning for Robot Perception and Cognition. – Academic Press, 2022. – Ch. 12. – P. 279–311. – DOI: 10.1016/B978-0-32-385787-1.00017-8.
21. Xu H., Huang H. Plasma remelting and injection method for fabricating metal matrix composite coatings reinforced with tungsten carbide // Ceramics International. – 2022. – Vol. 48. – P. 2645–2659. – DOI: 10.1016/j.ceramint.2021.10.048.
22. ASTM E 562–02. Standard test method for determining volume fraction by systematic manual point count.
23. https://siams.com/
24. Kazakov A. A., Kiselev D. Industrial Application of thixomet image analyzer for quantitative description of steel and alloy’s microstructure // Metallography, Microstructure, and Analysis. – 2016. – Vol. 5. – P. 294–301. – DOI: 10.1007/s13632-016-0289-6.
25. Schneider C. A., Rasband W. S., Eliceiri K. W. NIH Image to ImageJ: 25 years of image analysis // Nature Methods. – 2012. – Vol. 9. – P. 671–675. – DOI: 10.1038/nmeth.2089.
26. https://jmicrovision.github.io/
27. Jacobs R. Deep learning object detection in materials science: current state and future directions // Computational Materials Science. – 2022. – Vol. 211. – 111527. – DOI: 10.1016/j.commatsci.2022.111527.
28. Unsupervised domain adaptation using generative adversarial networks for semantic segmentation of aerial images / B. Benjdira, Y. Bazi, A. Koubaa, K. Ouni // Remote Sensing. – 2019. – Vol. 11. – 1369. – DOI: 10.3390/rs11111369.
29. Wang M., Wu F., Zhao J. A Comprehensive research and strategy of transfer learning for image segmentation // Lecture Notes on Data Engineering and Communications Technologies (LNDECT). – Springer, 2021. – Vol. 88. – P. 1394–1406. – DOI: 10.1007/978-3-030-70665-4_152.
30. Аристов Г. В., Клюев А. В. Распознавание и классификация микроструктуры металлов и сплавов с использованием глубоких нейронных сетей // Труды 27-й Международной конференции по компьютерной графике и машинному зрению (GRAPHI-CON 2017), Пермь, 24–28 сентября 2017 г. – ПГНИУ, 2017. – С. 180−183.
31. Полетаева Н. Г. Классификация систем машинного обучения // Вестник Балтийского федерального университета им. И. Канта. Серия «Физико-математические и технические науки». – 2020. – № 1. – С. 5−22.
32. https://habr.com/ru/companies/smartengines/articles/264677
33. Аугментация наборов изображений для обучения нейронных сетей при решении задач семантической сегментации / И. А. Ложкин, М. Е. Дунаев, К. С. Зайцев, А. А. Гармаш // International Journal of Open Information Technologies. – 2023. – Vol. 11 (1). – P. 109−117.
34. Soboleva N., Mushnikov A. Improving the accuracy of semantic segmentation of carbides in the microstructure of composite coatings by the neural network // Materials Today Communications. – 2024. – Vol. 38. – P. 108276. – DOI: 10.1016/j.mtcomm.2024.108276.
35. Сикорский О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. – 2017. – № 20. – C. 37−42.
36. Ronneberger, O., Fischer, P., Brox, T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). Lecture Notes in Computer Science series / ed. by N. Navab, J. Hornegger, W. Wells, A. Frangi. – Cham : Springer, 2015. – Vol. 9351. – DOI: 10.1007/978-3-319-24574-4_28.
37. Badrinarayanan V., Kendall A., Cipolla R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2017. – Vol. 39. – P. 2481–2495. – DOI: 10.1109/tpami.2016.2644615.
38. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015. – IEEE, 2015. – P. 3431–3440. – DOI: 10.1109/cvpr.2015.7298965.
39. Pyramid scene parsing network / H. Zhao, J. Shi, X. Qi, X. Wang, J. Jia // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017. – IEEE, 2017. – P. 6230–6239. – DOI: 10.1109/cvpr.2017.660.
40. RefineNet: multi-path refinement networks for high-resolution semantic segmentation / G. Lin, A. Milan, C. Shen, I. Reid // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017. – IEEE, 2017. – P. 5168–5177. – DOI: 10.1109/cvpr.2017.549.
41. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs / Chen L. C., Papandreou G., Kokkinos I., Murphy K., Yuille A. L. // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2018. – Vol. 40, No. 4. – P. 834–848. – DOI: 10.1109/TPAMI.2017.2699184.
42. Rethinking atrous convolution for semantic image segmentation / L. C. Chen, G. Papandreou, F. Schroff, H. Adam. – 2017. – arXiv:1706.05587. – DOI: 10.48550/arXiv.1706.05587.
43. Соболева Н. Н., Мушников А. Н. Определение объемной доли первичных карбидов в микроструктуре композиционных покрытий с применением семантической сегментации // Frontier Materials & Technologies. – 2023. – № 3. – С. 95−102. – DOI: 10.18323/2782-4039-2023-3-65-9.
44. Convolutional neural networks: an overview and application in radiology / R. Yamashita, M. Nishio, R. K. G. Do, K. Togashi // Insights Imaging. – 2018. – Vol. 9. – P. 611–629. – DOI: 10.1007/s13244-018-0639-9.
45. Применение нейронных сетей глубокого обучения для решения задачи сегментации лесных пожаров на спутниковых снимках / К. В. Вик, А. А. Друки, Д. С. Григорьев, В. Г. Спицын // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. – 2021. – № 55. – С. 18–25. – DOI: 10.17223/19988605/55/3.
46. On large-batch training for deep learning: generalization gap and sharp minima / N. Keskar, D. Mudigere, J. Nocedal, M. Smelyanskiy, P. Tang. – 2016. – arXiv:1609.04836. – DOI: 10.48550/arXiv.1609.04836.
47. A comparative study of loss functions for road segmentation in remotely sensed road datasets / H. Xu, H. He, Y. Zhang, L. Ma, J. Li // International Journal of Applied Earth Observation and Geoinformation. – 2023. – Vol. 116. – P. 103159. – DOI: 10.1016/j.jag.2022.103159.
48. Application of artificial intelligence technologies in metallographic analysis for quality assessment in the shipbuilding industry / V. Emelianov, A. Zhilenkov, S. Chernyi, A. Zinchenko, E. Zinchenko // Heliyon. – 2022. – Vol. 8. – P. e10002. – DOI: 10.1016/j.heliyon.2022.e10002.
49. Об автоматизированной системе детектирования дефектов на МЭМС-производстве / К. В. Ракетов, Н. Ю. Израилев, А. О. Казачков, Е. Ю. Заблоцкая, И. А. Род, М. C. Рябков, А. В. Исаченко, Д. Г. Шамирян // Наноиндустрия. – 2018. – Т. 11, № 7–8 (86). – С. 542–548. – DOI: 10.22184/1993-8578.2018.11.7-8.542.548.
50. https://axalit.ru
51. DLgram cloud service for deep-learning analysis of microscopy images / A. V. Matveev, A. V. Nartova, N. N. Sankova, A. G. Okunev // Microscopy Research and Technique. – 2024. – Vol. 87 (5). – P. 991–998. – DOI: 10.1002/jemt.24480.
52. https://t.me/nanoparticles_nsk
53. Свидетельство о регистрации программы для ЭВМ № 2023660789 Рос. Федерация. Определение объемной доли карбидов в структуре композиционных покрытий с помощью сверточной нейронной сети : № 2023660261 : регистрация 24.05.2023 : опубл. 24.05.2023 / Соболева Н. Н.
Выпуск
Другие статьи выпуска
Методика ускоренных ресурсных испытаний применена к цифровому моделированию стендовых испытаний колтюбинговых труб. В пакете Ansys Mechanical сформированы конечно-элементные модели стенда и образца трубы. Расчетом кинетики напряженно-деформированного состояния образца получены петли неупругого гистерезиса для стабили-зированного цикла при ряде сочетаний эксплуатационных нагрузок: внутреннего давления, веса трубной плети, размера направляющего устройства. На этой основе построены карты состояний, связывающие параметры неупругого деформирования (знакопеременное пластическое течение, одностороннее накопление деформации на фоне знакопеременного пластического течения) с нагрузками. Использование карт состояний позволяет обоснованно спланировать программы реальных экспериментальных исследований для моделирования требуемого вида выхода колтюбинга из строя в условиях эксплуатации, что существенно сокращает временные, трудовые и материальные затраты.
В работе выполнено исследование процесса переноса тепла в пористой среде с внутренними источниками тепла. Рассматривается модельный материал – пористая пластина с топологией трижды периодических минимальных поверхностей, образованная элементарными ячейками типа Фишера – Коха S. В статье приведены результаты решения краевой за-дачи теплопроводности в тонкой пластине при симметричных граничных условиях первого рода. С использованием разработанного численно-аналитического метода получено простое по форме решение задачи с учетом топологических особенностей материала. При определении коэффициентов переноса и теплофизических свойств исследуемой области использованы методы вычислительной гомогенизации среды на основе CAE-моделирования в программном комплексе Ansys. В статье приведены графики распределения температуры в по-ристой пластине в различные моменты времени, выполнено сравнение полученных аналитических решений с численными. Результаты работы могут быть использованы при проектировании тепловой защиты тепловыделяющего оборудования, тепломассообменных трактов тепломеханического оборудования и др. Решения представлены в простом аналитическом виде, что делает возможным их использование широким кругом исследователей, инженеров и не требует использования дорогостоящего программного обеспечения и вычислительной техники.
Исследована структура, механические свойства и износостойкость композита, полученного методом самораспространяющегося высокотемпературного синтеза (СВС), со средним химическим составом, вес. %: 35,47 ± 1,5 Fe; 24,08 ± 1,4 Ti; 13,99 ± 0,5 Ni; 17,91 ± 0,4 B; 8,54 ± 0,5 C. В результате испытаний установлено, что композит обладает износостойкостью на уровне с одной из износостойких сталей Hardox 500. Композит характеризуется широким интервалом значений предела прочности на поперечный изгиб Rbm30 от 200 до 800 МПа. Сталь 40X показала предел прочности на изгиб Rbm30, равный 1590 МПа, а сталь Hardox 500 – 2970–3020 МПа. Композит имеет низкие значения ударной вязкости KCU = 0,02 МДж/м2 по сравнению со значениями KCU = 0,35 МДж/м2 для стали 40X и KCU = 1,59 МДж/м2 для стали Hardox 500. СВС-композит системы Fe–Ni–Ti–C–B не следует применять для деталей, работающих на изгиб и испытывающих ударные нагрузки, однако он отлично подойдет для защиты поверхностей деталей, подверженных интенсив-ному абразивному износу.
Сложные пористые структуры, основанные на трижды периодических минимальных поверхностях, обладающие высокими удельными показателями физико-механических характеристик, находят все более широкое применение во многих отраслях промышленности. Численный анализ имеет большое значение при оценке несущей способности и механического поведения таких структур. В работе представлены результаты конечно-элементного анализа напряженно-деформированного состояния структур, составленных из трижды пери-одических минимальных поверхностей, под действием сжимающей нагрузки. Сложность моделирования отклика таких структур на механическое воздействие заключается в большой размерности задачи, обусловленной необходимостью мелкой дискретизации, требуемой для адекватного представления сложной геометрии модели. Показаны этапы построения фасетной геометрии для формирования численных моделей. На примере поверхностей Шёна IWP и примитивов Шварца рассмотрено влияние типа и параметров данных структур на их меха-ническое поведение при сжатии. Выполнен анализ жесткостной эффективности в зависимо-сти от топологии структур.
Предложена и рассмотрена модель микромагнитного моделирования намагниченности ферримагнитной пленки, состоящей из сплава ферромагнитного и редкоземельного металлов. Показано, что модель качественно повторяет экспериментально наблюдаемые температурные зависимости намагниченности насыщения ферримагнитных сплавов для разного процентного содержания редкоземельного элемента, а также имеет аналогичную петлю магнитного гистерезиса. Результаты работы представляют интерес для теоретического анализа особенностей поведения намагниченности пленочных металлических наноструктур типа «ферримагнетик – тяжелый металл» и решения задач прикладного материаловедения и магнетизма.
В работе на основе анализа результатов теоретических и экспериментальных исследований сформулированы критерии, которым должны удовлетворять металлы для наблюдения в них туннелирования водорода, и методики измерения коэффициентов квантовой диффузии. Во-первых, должно быть достаточно малым (на уровне 0,15 нм) расстояние между ближайшими равновесными позициями атомов водорода в кристаллической решетке металла. Во-вторых, должна быть достаточно низкой температура Дебая металла, ниже 350 К. В-третьих, необходимым условием наблюдения туннелирования водорода является корректный выбор методики измерения коэффициентов диффузии водорода. Если в районе температуры Дебая коэффициент диффузии водорода по классическому механизму миграции находится на уровне 10−11 м2/с и выше, то целесообразно применять непрямые методики, основанные на эффекте Горского или измерении скорости спин-решеточной релаксации с помощью ядерного магнитного резонанса. При более низких значениях коэффициента классической диффузии в районе температуры Де-бая металла для наблюдения квантовой диффузии необходимо применять прямую методику ядерных реакций в режиме онлайн или ее же в сочетании с методом ядерных реакций.
С использованием критерия поврежденности выполнено исследование влияния напряженного состояния на деформационную способность алюмоматричного композита В95/10%SiC на примере обратного выдавливания типовой детали «стакан». Для оценки напряженно-деформированного состояния и поврежденности в процессе выдавливания вы-полнено моделирование процесса методом конечных элементов. Установлено, что для полу-чения качественного изделия необходимо осуществлять выдавливание в условиях всестороннего сжатия при околосолидусной температуре. Для экспериментальной проверки ре-зультатов моделирования спроектирован и изготовлен лабораторный штамп, особенностью которого является возможность регулирования величины сжимающих напряжений в процессе деформации. Получено бездефектное изделие при выдавливании. Установлено, что нагрев до околосолидусной температуры способствует разбиению первоначальной ячеистой струк-туры композита при внешнем нагружении.
Издательство
- Издательство
- ИМАШ УрО РАН
- Регион
- Россия, Екатеринбург
- Почтовый адрес
- 620049 г. Екатеринбург, ул.Комсомольская, 34
- Юр. адрес
- 620049 г. Екатеринбург, ул.Комсомольская, 34
- ФИО
- Швейкин Владимир Павлович (Директор)
- E-mail адрес
- ges@imach.uran.ru
- Контактный телефон
- +7 (343) 3744725