Verbundvorhaben: Künstliche Intelligenz analysiert Mikrostrukturen (KIMi TP2)

Abstract

Im Rahmen eines Verbundprojektes mit dem Gießerei-Institute der RWTH-Aachen wurden bei Access e.V. Methoden der künstlichen Intelligenz und der 3D-Rekonstruktion (weiter)-entwickelt und auf die Erkennung von verschiedenen Phasen in technischen Aluminium Multikomponenten-Legierungen Al-Si-Cu-Fe angewandt. Die 2 Proben entstammten Erstarrungsversuchen auf der ISS, die im Rahmen des europäischen Projektes MICAST durchgeführt wurden. Bei den Proben herrschten Bedingungen der Schwerelosigkeit und zum Teil ein zusätzliches rotierendes Magnetfeld. Mit letzterem sollte die Möglichkeiten zur Phasentrennung untersucht werden, eine Thematik, die für den Bereich Recycling von Aluminiumwerkstoffen wichtig ist. Die entstehenden Phasen waren eine α-Al-Matrix, intermetallische β-Al9Fe2Si2 oder β-Al8Fe2Si-Phasen, sowie eutektische Al2Cu-Phase oder eutektisches Silizium. Die der KI zugeführten Bilder lagen entweder als hochauflösende Schliffe in 2D vor oder als Stapelfolgen aus computertomographischen Aufnahmen. Als KI-Modell kam „mask R-CNN“ zum Einsatz, wobei für die hochaufgelösten Schliffbilder die separate Erkennung von β -Phasen und eutektischem Silizium, als auch gleichzeitige Erkennung verglichen wurden. Bei den CT-Bildern konnten methodenbedingt nur die β-Phasen erkannt werden. In beiden Fällen zeigt sich die eutektische Al2Cu-Phase als kleine runde Phase, die im Rahmen von KIMi nicht sauber von den anderen Phasen getrennt ist. Verschiedene Metriken quantifizieren die Güte der Erkennung, der sogenannte F1-score ergibt ein Maß für die Wirksamkeit der Modelle, die Werte liegen für die hochaufgelösten Schliffe zwischen etwa 70 und 90%. Für die CT-Stapelfolgen liegt die Erkennungsrate der β-Phasen bei ca. 80-90%. Ein 3D-Rekonstruktionsalgorithmus wurde neu entwickelt, an einem künstlichen numerischen Datensatz erfolgreich getestet und auf eine weiteres projektfremdes Beispiel der Dendritenerkennung aus CT-Stapelfolgen angewandt wurden. In KIMi wurden die erkannten Phasen in den CT-Stapelfolgen zu einer zusammenhängenden monolithischen Struktur rekonstruiert. As part of a joint project with the Foundry Institute at RWTH Aachen University, Access e.V. developed and refined methods of artificial intelligence and 3D reconstruction and applied them to the detection of different phases in technical aluminum multi-component alloys Al-Si-Cu-Fe. The two samples came from solidification experiments on the ISS, which were carried out as part of the European MICAST project. The samples were subjected to conditions of weightlessness and, in some cases, an additional rotating magnetic field. The latter was used to investigate the possibilities for phase separation, a topic that is important for the recycling of aluminum materials. The resulting phases were an α-Al matrix, intermetallic β-Al9Fe2Si2 or β-Al8Fe2Si phases, as well as eutectic Al2Cu phase or eutectic silicon. The images fed into the AI were either high-resolution 2D sections or stacks of computer tomography images. The AI model used was “mask R-CNN,” whereby the separate detection of β phases and eutectic silicon, as well as simultaneous detection, were compared for the high-resolution section images. The images fed into the AI were either high-resolution 2D sections or stacks of computer tomography images. The AI model used was “mask R-CNN,” whereby separate detection of β phases and eutectic silicon, as well as simultaneous detection, were compared for the high resolution section images. Due to the method used, only the β phases could be detected in the CT images. In both cases, the eutectic Al2Cu phase appears as a small round phase that is not clearly separated from the other phases in KIMi. Various metrics quantify the quality of the detection; the so-called F1 score provides a measure of the effectiveness of the models, with values between approximately 70 and 90% for the high-resolution sections. For the CT stack sequences, the detection rate of the β phases is approximately 80-90%. A 3D reconstruction algorithm was newly developed, successfully tested on an artificial numerical data set, and applied to another example of dendrite detection from CT stack sequences outside the project. In KIMi, the detected phases in the CT stack sequences were reconstructed into a coherent monolithic structure.