En utilisant des techniques d'apprentissage automatique, les informaticiens et les spécialistes des matériaux de Sarrebruck ont ​​maintenant développé une méthode beaucoup plus précise et objective que les procédures de contrôle de qualité conventionnelles. Leurs résultats viennent d'être publiés dans Rapports scientifiques .

Lorsque des scientifiques de deux disciplines collaborent sur un projet de recherche, ils doivent d'abord apprendre à parler la même langue. "Il a fallu pas mal de temps avant que les informaticiens aient compris pourquoi les structures internes d'un matériau et leur représentation sous forme d'image jouent un rôle si important pour les scientifiques des matériaux, " dit Dominik Britz, un doctorat étudiant au Département des matériaux fonctionnels de l'Université de la Sarre. Ces structures internes sont importantes car elles sont très étroitement liées aux propriétés présentées par le matériau.

"Comme les aciers modernes sont fournis dans des variétés toujours plus grandes et parce qu'ils présentent des structures internes de plus en plus complexes, les tolérances d'erreur sont de plus en plus strictes. Cela représente un énorme défi pour les ingénieurs qui développent de nouveaux aciers et qui doivent répondre à des exigences de qualité strictes, " dit Britz.

Seyed Majid Azimi de l'Institut Max Planck d'informatique a cherché à expliquer à Dominik Britz comment les méthodes d'apprentissage en profondeur qu'il emploie sont capables de produire des résultats beaucoup plus précis que n'importe laquelle des analyses d'images effectuées manuellement par des scientifiques experts en matériaux. Pour obtenir de tels résultats, Azimi alimente son ordinateur hautes performances avec des données d'images préalablement classées par des experts. Ces données sont utilisées pour entraîner les modèles informatiques, et ces modèles sont ensuite testés en les comparant à des ensembles supplémentaires de données d'images classifiées par l'homme. Mais comment est-il possible pour l'ordinateur de générer d'aussi bons résultats sans avoir une réelle connaissance des matériaux impliqués ?

Dans cette étude particulière, qui s'est concentré sur la classification des microstructures en acier, la réponse réside dans la compréhension du processus de production de l'acier. "La fabrication d'aciers spéciaux est un processus extrêmement complexe qui dépend de nombreux facteurs individuels, notamment la composition chimique du matériau, le procédé de laminage utilisé et les types de traitement thermique auxquels le matériau est soumis. Chaque étape du processus de production influence la structure interne de l'acier, " explique Dominik Britz.

Les scientifiques des matériaux appellent cette structure interne la « microstructure » du matériau. La microstructure est composée de "grains, " dont chacun est un minuscule cristallite avec une structure cristalline particulière. Mais les grains voisins diffèrent également en termes d'orientation spatiale. En fait, les grains diffèrent non seulement par leur orientation, mais aussi en termes de formes individuelles et de connectivité spatiale, résultant en des microstructures de haute complexité géométrique. "Ces structures extrêmement complexes peuvent être rendues visibles lors des étapes de développement du matériau et de contrôle qualité en prenant des images microscopiques. Des échantillons spécialement préparés sont évalués par microscopie optique et électronique, " explique Britz.

La classification d'un matériau consiste à comparer ces images microscopiques avec des images de référence qui présentent une microstructure géométrique typique. Heures supplémentaires, les ingénieurs expérimentés des services d'assurance qualité des entreprises développent un œil perspicace qui leur permet de décider à quelle microstructure d'acier particulière ils ont affaire. "Mais même ces experts expérimentés feront parfois un mauvais appel, car les différences entre les images sont parfois à peine perceptibles à l'œil nu. Bien que les humains soient assez bons pour distinguer de petites différences relatives, nous ne savons pas très bien reconnaître les normes géométriques absolues, " explique le professeur Frank Muecklich, qui a supervisé l'étude. Muecklich est également directeur du Steinbeis Materials Engineering Center Saarland (MECS) à Sarrebruck, dont le personnel a participé à l'étude.

Les scientifiques des matériaux étaient intéressés à trouver une procédure objective qui était beaucoup moins sujette aux erreurs de l'utilisateur et qui pourrait être appliquée quel que soit le niveau d'expertise de l'utilisateur. "Les méthodes d'apprentissage automatique permettent aux ordinateurs de reconnaître très rapidement des motifs complexes et d'attribuer la géométrie des microstructures aux images microscopiques. Ils peuvent apprendre les caractéristiques des microstructures précédemment classées et les comparer avec des motifs reconnus, " explique Muecklich. En utilisant cette approche, l'équipe de recherche de Sarrebruck a pu déterminer les microstructures de l'acier à faible teneur en carbone à un niveau de précision qui n'était pas possible auparavant. "Lors de l'utilisation de notre système de classification microstructurale, nous avons atteint un niveau de précision d'environ 93 %. Avec les méthodes conventionnelles, seulement environ 50 pour cent des échantillons de matériaux sont correctement classés, " dit Muecklich.

Les résultats sont publiés dans Rapports scientifiques .