Robustheit von Machine Learning-Modellen in der Gefügeanalyse

• Antragsteller: Professor Dr.-Ing. Frank Mücklich
• Fachliche Zuordnung: Thermodynamik und Kinetik sowie Eigenschaften der Phasen und Gefüge von Werkstoffen
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 541968020

Die Betrachtung und Analyse des Werkstoff-Gefüges ist gleichsam Grundlage der Qualitätssicherung bestehender Werkstoffe, deren Weiterentwicklung als auch der Optimierung neuer Materialien hinsichtlich ihres Gefüges. Das Gefüge wird als zentraler Informationsträger verstanden, der skalenübergreifend Informationen über verschiedene Prozessschritte speichert und gleichfalls die mechanischen wie auch funktionelle Eigenschaften bestimmt. Durch die zunehmend komplexeren und insgesamt vielgestaltiger werdenden Gefügebestandteile stoßen konventionelle Auswerteansätze, z.B. für die Gefügesegmentierung und -klassifizierung, zunehmend an ihre Grenzen. Machine Learning (ML)-basierte Ansätze müssen hier in Zukunft ein grundlegendes und entscheidendes Werkzeug der Gefügeanalyse darstellen. Sie versprechen verbesserte, objektivere und reproduzierbare Gefügesegmentierungen und -klassifizierungen oder das Ermöglichen neuer Auswertungen. Aktuell fehlt allerdings noch ein grundlegendes Verständnis zu Generalisierung und Robustheit der ML-Modelle, das aber notwendig ist, damit ML langfristig, zuverlässig und erfolgreich eingesetzt werden kann und damit als grundlegendes Werkzeug der Gefügeanalyse und gefügebasierten Werkstoffentwicklung etabliert wird. Robustheit und Generalisierbarkeit beziehen sich dabei auf Varianzen sowie Bediener- und Geräteeinflüsse, die während der einzelnen Schritte hin zu einer Gefügeaufnahme auftreten (z.B. Probenpräparation, Probenkontrastierung, Bildaufnahme) und einen signifikanten Einfluss auf das Erscheinungsbild des Gefüges in der letztlichen Aufnahme haben können. Ziel des Projektes ist es, ML als robustes und verlässliches Werkzeug der Gefügeanalyse zu etablieren. Dazu sollen angepasste und allgemeingültige Strategien, wie derartige Modelle aufgebaut werden, entwickelt und ein materialwissenschaftliches Verständnis von Robustheit und Varianzen erreicht werden. Als Aufgabenstellung werden die Klassifizierung von Stahlgefügen sowie die Segmentierung der multiphasigen Gefüge von hochchromhaltigem Gusseisen behandelt. Folgende Fragestellungen sollen beantwortet werden. (i) Wird ein einziges und generalisierendes ML-Modell, das mit einer großen Varianz an Daten unter Abdeckung verschiedenster experimenteller Randbedingungen trainiert wurde, oder spezifische ML-Modelle, die jeweils einen bestimmten Satz an Randbedingungen abdecken, bessere Ergebnisse erzielen können. (ii) Weiterhin soll ein materialwissenschaftliches Verständnis der Robustheit erreicht werden, indem die Performance der ML-Modelle mit Gefügemerkmalen korreliert werden. Dazu wird untersucht, welche Varianzen welchen Einfluss haben, was die signifikantesten experimentellen Parameter sind und welche Varianzen wie und mit welchem Aufwand kontrollierbar sind. (iii) Außerdem wird untersucht, in welchen Anwendungsfällen und in welcher Form Metadaten (in diesem Fall die Erfassung der experimentellen Randbedingungen) eine ML-Klassifizierung oder -Segmentierung verbessern können.

• DFG-Verfahren: Sachbeihilfen