Automatic detection of second phases in ferritic steels by means of Support Vector Machines

Abstract

Dado que las propiedades de un material dependen en gran medida de su microestructura, resulta de gran importancia contar con información tal como distribución de fases presentes, tamaño de grano, presencia de precipitados, entre otros. La caracterización microestructural es una herramienta extremadamente útil para la predicción de propiedades. Caracterizar una microestructura no es una tarea trivial; debido a la amplia variedad de composiciones químicas y tratamientos térmicos existentes, la presencia y distribución de fases en las microestructuras de aceros puede resultar muy diversa y compleja de analizar. Considerando que la caracterización es realizada por especialistas, se da lugar a incertezas producto de la subjetividad. La caracterización automática de microestructuras se erige como una posible solución a este problema. En este contexto, se desarrolló una herramienta computacional capaz de preprocesar y caracterizar automáticamente microestructuras de aceros de baja aleación con matriz ferrítica y un único microconstituyente, entre los que se consideró martensita, bainita o perlita. A partir de una micrografía, se calcularon parámetros basados en la intensidad de pixel y morfológicos, los cuales se implementaron en un modelo de clasificación basado en la inteligencia artificial, encargado de realizar la caracterización. Para medir los parámetros que se utilizan en la caracterización, es necesario el preprocesamiento de imágenes, en el cual la segmentación es la tarea más importante. Debido a que no existe un modelo general que permita segmentar cualquier tipo de micrografía, los resultados obtenidos dependen en gran medida de quién realice la segmentación y en qué modo lo haga. A fin de reducir la subjetividad de esta técnica, se logró segmentar de manera automática un grupo de micrografías de aceros de baja aleación obtenidas a partir de microscopios óptico y electrónico de barrido. El modelo de clasificación implementado alcanzo una precisión del 93.17% para micrografías provenientes de microscopio óptico, logrando un 89.35% para martensita, 96.16% para bainita y 94.24% para perlita. Para aquellas micrografías procedentes de microscopio electrónico de barrido se logró una precisión del 97.32%. En este caso, la martensita obtuvo un 97.02%, la bainita 96.09% y la perlita 97.87%. Los resultados fueron validados con micrografías externas al desarrollo del modelo, entregando resultados consistentes. En base a una comparación con dos especialistas, se determinó que la caracterización de la herramienta es superior a la de un especialista siempre que ambos cuentan con la micrografía como única fuente de información.