Künstliche Intelligenz bei der Metallanalyse

Derzeit können kristalline Mikrostrukturen in metallischen Werkstoffen nur mit hohem Aufwand analysiert werden. Forscher haben nun einen Algorithmus entwickelt und die Ergebnisse in der Fachzeitschrift „Scientific Reports“ veröffentlicht. Das Fazit: Aus nur wenigen Messdaten einer Röntgenstrukturanalyse rekonstruiert der Algorithmus die Ausrichtung der Kristallstrukturen im Werkstoff vollständig und genau.

Bei metallischen Werkstoffen ist die innere Struktur aus kristallinen Einzelbereichen, sogenannten „Körnern“, entscheidend für die Eigenschaften des Materials. Die Anordnung der Körner beeinflusst die Festigkeit und das Verhalten beim Verformen der Metalle. Bei Legierungen, die ein Formengedächtnis aufweisen wird die Form durch temperaturbedingte Änderungen des inneren Kristallaufbaus verändert. „Eine geeignete Mikrostruktur in diesen speziellen Werkstoffen zu schaffen ist eine große technische Herausforderung. Das im Detail mithilfe von Röntgenanalysen zu überprüfen ist besonders aufwändig“, so Prof. Dr.-Ing. Thomas Niendorf, Leiter des Fachgebiets Metallische Werkstoffe.

Häufig wird hierfür die Methoden der Röntgendiffraktometrie genutzt. Dabei wird ein gebündelter Röntgenstrahl auf die Werkstoffproben gerichtet. Am Kristallgitter des Werkstoffs wird der Strahl abgelenkt. In einem Detektor werden die Strahlen empfangen und eine Software stellt ihre Intensität in einer sogenannten Polfigur dar. Die Werkstoffprobe wird gedreht und gekippt, bis aus den Messdaten eine Polfigur entsteht. Diese Messungen können unter umständen mehrere Tage benötigen. Die Forscher können mit den Polfiguren nun rechnerisch ermitteln, in welcher Anordnung und Ausrichtung sich die Kristalle im Metall befinden.

„Mit unserem speziell entwickelten Algorithmus sind wir drei Mal schneller“, erklärt David Meier, Informationswissenschaftler vom Helmholtz-Zentrum Berlin und dem Fachgebiet Intelligente Eingebettete Systeme der Universität Kassel (Leitung: Prof. Bernhard Sick). „Mit maschinellem Lernen ist er so trainiert, dass er aus nur einem kleinen Ausschnitt der realen Messdaten von wenigen Stunden eine vollständige Rekonstruktion der Polfigur erstellt. Sie unterscheidet sich nur minimal vom Original.“

Zu diesem Zweck erstellte der Wissenschaftler zusammen mit Werkstofftechnikern Polfiguren von zufälligen Anordnungen von Körnern im Metall mit einer Simulation. Mit diesen Daten erlernt eine individuell angepasste Deep-Learning-Architektur, aus einem Ausschnitt die vollständige Polfigur zu erzeugen. Das sogenannte „Rekonstruktionsnetzwerk“ kann zu einem kleinen Ausschnitt einer real gemessenen Polfigur die übrigen Bereiche rekonstruieren. Der im Anschluss erstellte Soll-/Ist-Vergleich der Daten zeigt: Das Rekonstruktionsnetzwerk kann mit ausreichender Genauigkeit für das angewandte Beispiel die Probe analysieren. Aber: „Um statistisch zu beweisen, dass die entwickelte Methode in anderen realen Szenarien funktioniert, muss sie in Folgestudien mit weiteren Proben aus unterschiedlichen Materialien evaluiert werden“, ergänzt David Meier.

Die Forscher aus dem Fachgebiet Metallische Werkstoffe sind begeistert. „Für die Analyse der Mikro-Kristallstruktur benötigen wir nur noch wenige Stunden und können sogar Bereiche sicher rekonstruieren, an die wir technisch mit unserem experimentellen Aufbau gar nicht herangekommen wären“, so Dr.-Ing. Alexander Liehr, Leiter der Arbeitsgruppe Röntgenfeinstrukturanalyse. In Zukunft könne die Kombination aus Messtechnik und KI die Forschung und Entwicklung hochleistungsfähiger und langlebiger Werkstoffe unterstützen.