Diseño y entrenamiento de clasificadores de Bainita y Martensita utilizando Machine Learning

Abstract

El acero ha desempeñado un papel fundamental en el avance de la sociedad moderna. Su importancia es evidente en el aumento exponencial de la demanda y producción presenciado en las últimas décadas. La excelente combinación de propiedades, como alta resistencia, ductilidad, tenacidad y resistencia a la corrosión, junto con un precio relativamente bajo, hace que el acero sea adecuado para una amplia gama de aplicaciones en varios sectores. La demanda de aceros de alta calidad ha llevado a científicos e ingenieros a desarrollar nuevas rutas de procesamiento con el fin de mejorar sus propiedades. Estas nuevas rutas de procesamiento tienden a formar microestructuras más finas y complejas. Los aceros de alta calidad suelen estar compuestos por una mezcla compleja de varios microconstituyentes, incluyendo ferrita, bainita, martensita y eventualmente austenita retenida [1, 2]. La presencia de múltiples fases de diferentes tamaños permite la producción de aceros con propiedades específicas para cada aplicación. Para garantizar el control de calidad y facilitar el desarrollo de materiales con propiedades deseadas, es crucial caracterizar objetivamente estas fases. El análisis y la caracterización microestructural representan una parte esencial del desarrollo de materiales y el control de calidad. Debido a la creciente complejidad de las microestructuras, los métodos tradicionales de análisis y caracterización a menudo no producen resultados satisfactorios. Los enfoques basados en imágenes de microscopio óptico (LOM, por sus siglas en inglés) son cada vez menos eficaces, especialmente para el análisis cuantitativo de materiales con microestructuras más finas y un mayor número de microconstituyentes [1, 3,4]. Además, la caracterización de estos aceros complejos por parte de expertos es altamente subjetiva y puede depender de su experiencia y expectativas[4, 5, 6]. La microscopía correlativa es una técnica poderosa que permite la caracterización objetiva y reproducible de muestras mediante el uso de diferentes métodos de contraste en una ubicación específica de la muestra [3, 5]. El proceso de alinear imágenes en el mismo sistema de coordenadas se denomina registro de imágenes. Al combinar información de diferentes fuentes físicas, la microscopía correlativa proporciona una comprensión más profunda de la microestructura de la muestra. Un enfoque interdisciplinario que utiliza machine learning (ML) proporciona una forma adicional de reducir el grado de subjetividad en la caracterización microestructural [5]. Los algoritmos de ML pueden analizar grandes conjuntos de datos para identificar patrones y relaciones que pueden no ser fácilmente apreciables para un observador humano, mejorando as ́ı la objetividad y reproducibilidad del análisis. La aplicación de herramientas modernas de informática, incluido el ML, en la ciencia de materiales es una tendencia creciente. La combinación de microscopía correlativa y ML representa un área prometedora de investigación para avanzar en la comprensión y el desarrollo de materiales. El objetivo principal de esta tesis es diseñar y entrenar modelos de machine learning para la clasificación objetiva de las fases de acero bainita y martensita. Para ello se utilizó un enfoque correlativo basado en imágenes de microscopio óptico (LOM), microscopio electrónico de barrido (SEM) y mapas de Electron Backscatter Diffraction (EBSD). Se utilizaron dos grupos de probetas con composiciones distintas. Las composiciones se detallan en la tabla 3.1. Cada grupo de probetas consistió en cinco muestras enfriadas a diferentes velocidades, lo que resultó en microestructuras diferentes. Las velocidades de enfriamiento de cada probeta se encuentran en las tablas 3.2 y 3.3. Estas probetas se montaron en un material apto para el análisis en SEM, se desbastaron y pulieron hasta 1 μm. Los pasos de preparación metalográfica se explican en la tabla 3.4. Luego, se selección ́o cuidadosamente una Región de Interés (ROI) para cada muestra y se delimitó mediante indentaciones de una máquina de ensayos de dureza. Finalmente, se adquirieron imágenes utilizando LOM y SEM. Además, se obtuvieron mapas EBSD para cada muestra, lo que proporcionó información valiosa sobre la orientación cristalográfica. Luego de obtener las imágenes, se registraron utilizando el programa de código abierto Fiji [7]. Para ello, se seleccionaron manualmente puntos distintivos en cada micrografía y se correlacionaron entre sí. Una vez seleccionados estos puntos, se realizó el registro utilizando el complemento bUnwarpJ [8]. En primer lugar, se registraron las imágenes LOM al mapa de Image Quality (IQ) de EBSD, lo cual permitió también superponer el resto de los mapas de EBSD, como el Confidence Index (CI), el Kernel Average Misorientation 1 (KAM1), el Kernel Average Misorientation 3 (KAM3), el Grain Orientation Spread (GOS) y el Grain Average Misorientation (GAM). Posteriormente, se registraron las imágenes SEM a las LOM, logrando así una superposición de todas las imágenes. A partir de esta superposición, se creó manualmente una máscara de bordes de grano de austenita previa [9], que permitió extraer objetos individuales de bainita y martensita de cada micrografía. Se desarrollaron scripts e interfaces gráficas de usuario (GUI) en Python para la adquisición y manipulación eficiente de conjuntos de datos. Estas GUI permiten la extracción rápida de objetos de los diferentes métodos. También se incorporaron características adicionales para que el software fuera adecuado tanto para la creación de conjuntos de datos como para el entrenamiento y la aplicación de modelos de forma local. Se entrenaron múltiples modelos de machine learning para ambos conjuntos de muestras. Los objetos utilizados para entrenar los modelos son matrices de una cierta altura y anchura, que contienen los seis parámetros de EBSD: IQ, CI, KAM1, KAM3, GOS y GAM. El proceso de selección del modelo y la optimización de hiperparámetros involucró una comprensión integral de diversas técnicas de machine learning. Inicialmente, se entrenaron modelos de Random Forest (RF) y Support Vector Machine (SVM) debido a su facilidad de implementación utilizando los módulos de Python disponibles. Si bien estos métodos no están específicamente diseñados para esta tarea, proporcionaron una opción práctica para una implementación rápida y eficiente. La precisión de cada modelo se encuentra en la tabla 4.1. Los modelos mostraron una precisión satisfactoria, aunque no excepcionalmente alta. Cabe destacar que su rendimiento puede disminuir para tareas más complejas, como la clasificación de múltiples clases. Posteriormente, se realizó una búsqueda para identificar una arquitecura de red neuronal convolucional (CNN) que pudiera resolver eficazmente la tarea en cuestión. A través de experimentos y ajustes de varias arquitecturas e hiperparámetros, se determinó una configuración que mostró resultados prometedores. Esta arquitectura se utilizó para ambos conjuntos de muestras, variando solo la forma de entrada de los objetos. La precisión de cada modelo se encuentra en la tabla 4.1. Los modelos lograron una precisión y reproducibilidad notablemente altas. Aunque estos modelos ya se pueden utilizar para la clasificación objetiva y reproducible de bainita y martensita, cabe mencionar que se pueden realizar mejoras adicionales, como incorporar un conjunto de datos más amplio o realizar una selección de características que podría mejorar el rendimiento. Además, esta arquitectura demuestra un potencial prometedor para abordar tareas más complejas de mayor relevancia en aplicaciones científicas e industriales. En particular, en la clasificación de múltiples fases de acero, incluyendo diferentes tipos de ferrita, bainita, martensita y perlita, lo cual se explorará en investigaciones futuras. En resumen, este proyecto logró caracterizar de manera efectiva y objetiva las microestructuras de dos grupos de muestras con distintas composiciones. Se utilizó un enfoque correlativo que combinó imágenes de LOM y SEM con mapas de EBSD, lo que permitió una comprensión más profunda de la microestructura. Se desarrollaron scripts y GUIs en Python para la adquisición y manipulación eficiente de los datos. Se entrenaron modelos de machine learning, incluyendo RF, SVM y CNN, y se logró una alta precisión en la clasificación de bainita y martensita. Este trabajo sienta las bases para futuras investigaciones en la clasificación de múltiples fases de acero y tiene aplicaciones potenciales en diversos campos científicos e industriales. Mail del autor Julián Vega <julianvega98@gmail.com>