training of an automatic microstructure segmentation model and quantification of prior-austenitic grain size of low-carbon, low-alloy steel weldments

Abstract

El acero es un material crítico en muchas aplicaciones de ingeniería, particularmente en grandes estructuras como puentes, barcos y tuberías, donde las secciones suelen unirse mediante soldadura. El grado S355ML, un acero termomecánico de bajo carbono y baja aleación, se utiliza frecuentemente para tales aplicaciones debido a su buena combinación de resistencia y tenacidad. Las propiedades de una unión soldada, sin embargo, dependen en gran medida de la microestructura formada en el metal de soldadura y la zona afectada por el calor (HAZ en por sus siglas en inglés) durante el proceso de soldadura. La soldadura por arco sumergido (SAW, por sus siglas en inglés) es un proceso común de alta productividad utilizado para unir secciones de gran espesor de estos aceros. El aporte térmico (HI, por sus siglas en inglés) durante la soldadura por arco sumergido es un parámetro principal que dicta los ciclos de calentamiento y enfriamiento que experimenta la soldadura, lo que a su vez determina la microestructura final. La microestructura del metal de soldadura, particularmente el tamaño de grano austenítico previo (PAGS, por sus siglas en inglés) y la cantidad y morfología de diferentes fases ferríticas como la ferrita en el borde de grano (GBF, por sus siglas en inglés) y la ferrita acicular, influyen significativamente en las propiedades mecánicas, especialmente en la tenacidad. Generalmente, una microestructura más fina conduce a mejores propiedades mecánicas. Por lo tanto, comprender cómo los parámetros de soldadura, específicamente el aporte térmico, afectan a estas características microestructurales es crucial para optimizar los procedimientos de soldadura a fin de alcanzar las propiedades deseadas, como una mayor resistencia y tenacidad. Cuantificar características microestructurales como el PAGS puede ser desafiante, especialmente en microestructuras de soldadura complejas. Los métodos manuales tradicionales consumen mucho tiempo y pueden ser subjetivos. En los últimos años, las técnicas de análisis de imagen, incluyendo aquellas basadas en el aprendizaje automático (ML, por sus siglas en inglés) y la inteligencia artificial (IA), han mostrado ser prometedoras para una caracterización microestructural más objetiva y eficiente. Este trabajo tiene como objetivo investigar el efecto de la variación del aporte térmico en la soldadura por arco sumergido sobre la microestructura del acero S355ML. Los objetivos principales fueron: 1. Caracterizar la microestructura del metal de soldadura, centrándose en el tamaño de grano austenítico previo (PAGS) y el contenido de ferrita en el límite de grano (GBF), para un rango de aportes térmicos. 2. Desarrollar y aplicar un modelo de segmentación semántica basado en IA para la cuantificación de estas características microestructurales a partir de micrografías ópticas. 3. Comparar los resultados del método asistido por IA con las técnicas de medición manual tradicionales y evaluar diferentes estrategias de postprocesamiento de imágenes. 4. Analizar la relación entre el aporte térmico, el PAGS y el contenido de GBF. Se utilizaron técnicas metalográficas estándar para la preparación de muestras y la microscopía óptica. Se entrenó un modelo de IA para segmentar la ferrita en el borde de grano y se exploraron diversos pasos de procesamiento de imágenes para estimar la longitud media de intercepción (AIL, por sus siglas en inglés) —como medida del tamaño de grano austenítico previo (PAGS)— y la fracción de área de la GBF. Los principales hallazgos indican que el aumento del aporte térmico generalmente conduce a un engrosamiento de la microestructura. Se observó que el PAGS aumenta con el aporte térmico hasta cierto punto, a partir del cual se mantiene aproximadamente constante para las soldaduras de una sola pasada. Las soldaduras multipasada mostraron un comportamiento distinto, presentando generalmente un PAGS más fino que las soldaduras de una sola pasada con aportes térmicos nominales comparables, probablemente debido a los efectos de recalentamiento. Se encontró una correlación positiva entre el PAGS y el contenido de AF para las soldaduras de una sola y multi-pasada. El enfoque de segmentación basado en IA demostró ventajas en consistencia, particularmente en el manejo de variaciones en la imagen como la iluminación no uniforme. En última instancia, los conocimientos adquiridos en este trabajo destacan el potencial de los métodos asistidos por IA para la metalografía cuantitativa. Se pretende que este conocimiento ayude a la optimización de los procedimientos de soldadura para producir soldaduras más resistentes con propiedades mecánicas mejoradas.