Das rekonstruierte Synchrotron CT Volumen von fünfphasigem Metall-Matrix-Komposite und das Deep Learning Segmentierungsergebnis
Quelle: BAM, Fachbereich Mikro-Zerstörungsfreie Prüfung (ZFP) und DEQM PUC-Rio, Brasilien
Metall-Matrix-Komposite (engl. MMC) sind Materialien mit hervorragenden mechanischen und thermischen Eigenschaften. Aktuell werden verschiedene Arten von MMC in der Automobil- und Luftfahrtindustrie verwendet. Da es sich jedoch um komplexe Materialien mit komplexer Mikrostruktur handelt, müssen sie grundlegend untersucht werden, um ihr mikromechanisches Verhalten, ihr Hochtemperaturverhalten und die Schädigungsmechanismen unter Belastung zu verstehen. In dieser Studie untersuchen wir hybride MMC, die durch Verstärkung einer AlSi12CuMgNi-Legierung mit 7 Vol.-% Al2O3-Kurzfasern und 15 Vol.-% SiC-Partikeln hergestellt werden. Dieses Material besteht aus fünf verschiedenen Phasen (Al-Matrix, eutektisches Si, intermetallische Verbindungen, Al2O3-Fasern und SiC-Partikel) und zeigt unter Lastbedingungen eine sehr komplexe mikromechanische Reaktion.
Das mikromechanische Verhalten und die mechanischen Eigenschaften solcher Komposite hängen stark von der Orientierung der Fasern, der Verteilung der Partikel, den Volumenanteilen der jeweiligen Verstärkungsphasen sowie ihrer Morphologie und Interkonnektivität ab. Die Röntgen-Computertomographie (CT) bietet direkten Zugang zu diesen Informationen. Allerdings sind Bildsegmentierung und quantitative Analyse der CT-Daten, insbesondere bei mehrphasigen Materialien, eine äußerst herausfordernde Aufgabe.
In dieser Arbeit haben wir Deep-Learning erfolgreich angewendet, um ein Segmentierungsproblem zu lösen, das mit keiner herkömmlichen Methode (außer zeitaufwendiger manueller Segmentierung) gelöst werden konnte. Wir haben die Segmentierungsqualität quantitativ bewertet und bewiesen, dass das neuronale Netzwerk selbst mit einer geringen Menge an Trainingsdaten komplexe CT-Daten mit hoher Genauigkeit segmentieren kann. Die erreichte Genauigkeit genügt, um die Volumeneigenschaften jeder einzelnen Phase abzuschätzen. Diese Daten gehen als Parameter in FE- und analytische Modelle zur genauen Vorhersage der mechanischen Eigenschaften und des mikromechanischen Verhaltens des Komposits unter verschiedenen Belastungsszenarien ein. Generell eröffnen die in dieser Arbeit erzielten Ergebnisse eine Vielzahl von Möglichkeiten zur quantitativen mikrostrukturellen 3D-Charakterisierung komplexer Materialien mittels CT.
Advanced Deep Learning-Based 3D Microstructural Characterization of Multiphase Metal Matrix Composites
Sergei Evsevleev, S. Paciornik, Giovanni Bruno, erschienen in Advanced Engineering Materials, Vol. 22, Heft 4, Seite 1901197 ff.
BAM Fachbereich Mikro-Zerstörungsfreie Prüfung