h1

001004505 001__ 1004505
001004505 005__ 20250423143200.0
001004505 0247_ $$2HBZ$$aHT030952252
001004505 0247_ $$2Laufende Nummer$$a44148
001004505 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-01471
001004505 037__ $$aRWTH-2025-01471
001004505 041__ $$aEnglish
001004505 082__ $$a620
001004505 1001_ $$0P:(DE-588)1357141750$$aSaxena, Alaukik$$b0$$urwth
001004505 245__ $$aMachine learning workflows for automatic analysis of atom probe tomography data$$cvorgelegt von Alaukik Saxena, M. Sc.$$honline
001004505 260__ $$aAachen$$bRWTH Aachen University$$c2024
001004505 260__ $$c2025
001004505 300__ $$a1 Online-Ressource : Illustrationen
001004505 3367_ $$02$$2EndNote$$aThesis
001004505 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001004505 3367_ $$2BibTeX$$aPHDTHESIS
001004505 3367_ $$2DRIVER$$adoctoralThesis
001004505 3367_ $$2DataCite$$aOutput Types/Dissertation
001004505 3367_ $$2ORCID$$aDISSERTATION
001004505 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2024$$gFak05$$o2024-05-07
001004505 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
001004505 5203_ $$aDie Wechselwirkung zwischen verschiedenen mikrostrukturellen Merkmalen eines Materials beeinflusst dessen makroskopische Eigenschaften erheblich. Das qualitative Verständnis und die quantitative Beschreibung der geometrischen Aspekte sowie der chemischen Zusammensetzung dieser mikrostrukturellen Merkmale ist entscheidend für die Entwicklung neuer Materialien und die Untersuchung von Struktur-Eigenschafts-Beziehungen. Die Atomsondentomographie (atom probe tomography, APT) hat sich - dank ihrer hohen chemischen Empfindlichkeit und ihrer Fähigkeit, Atompositionen mit einer Auflösung im Subnanometerbereich 3-dimensional zu kartieren, - zu einer Schlüsseltechnik für die Materialcharakterisierung entwickelt. Die Analyse dieser großen Datensätze (oft mehr als 10 Millionen Atome) wird üblicherweise manuell durchgeführt und ist daher zeitaufwändig, was bei der Auswertung über verschiedene Datensätze hinweg zu möglichen Inkonsistenzen führt. Die Integration von maschinellem Lernen, einschließlich Clustering und Deep-Learning-Algorithmen, bietet eine vielversprechende Lösung, um diese Analyse effizienter und schneller zu gestalten, und den manuellen Aufwand zu reduzieren. In dieser Arbeit werden daher mehrere auf maschinellem Lernen basierende Workflows vorgestellt, die auf die automatische Quantifizierung von 3D-Mikrostrukturen in APT-Datensätzen abzielen. Diese Workflows legen besonderen Wert auf Robustheit und Reproduzierbarkeit und haben das Potenzial, wesentliche Fortschritte im Bereich der Materialwissenschaft zu erzielen. Der erste Schritt bei der Analyse der 3D-Mikrostruktur in APT-Daten ist die Segmentierung von zusammenhängenden Bereichen mit weitgehend konstanter chemischer Zusammensetzung. Diese Regionen werden als chemische Domänen bezeichnet und können z.B. verschiedenen Phasen in einem Material entsprechen. Der Segmentierungsprozess wird durch einen neuartigen, mehrstufigen Ansatz aus dem unüberwachten maschinellen Lernen erleichtert. Um Informationen über die lokale Zusammensetzung zu erhalten, wird der APT-Datensatz in gleich große Voxel unterteilt. Das Koordinatensystem, das die Voxel-Zusammensetzungen umfasst, wird als Kompositionsraum bezeichnet. Zur Identifizierung verschiedener Phasen oder chemischer Domänen innerhalb dieses Raums wird ein Gaußsches Mischungsmodell für die Clusterbildung verwendet. Zusätzlich hilft ein dichtebasierter Clustering-Algorithmus bei der Isolierung verschiedener mikrostruktureller Merkmale innerhalb einer einzelnen Phase mit Voxelauflösung im realen Raum, wobei jedes Merkmal als eigenständige Einheit behandelt wird. Diese mikrostrukturellen Einheiten werden dann auf ihre Zusammensetzung und ihre geometrischen Eigenschaften (wie Orientierung, Form und Dicke) untersucht. Die Methode sowie ihre Grenzen und möglichen Verbesserungen werden anhand von synthetischen und realen APT-Datensätzen veranschaulicht. Das beinhaltet eine detaillierte Untersuchung einer fünfkomponentigen, Fe-dotierten Sm-Co-Magnetlegierung und einer Superlegierung auf Nickelbasis, die 30 verschiedene chemische Spezies umfasst. Die Quantifizierung von 3D-Mikrostrukturen kann aufgrund ihrer komplizierten Geometrien eine Herausforderung darstellen. Deshalb wurde eine Datenanalyse-Pipeline mit überwachtem maschinellem Lernen entwickelt, um komplexe Mikrostrukturen zu untersuchen, die planare Unterbereiche wie Korngrenzen oder ineinander verschachtelte plattenförmige Ausscheidungen enthalten. Die Pipeline ermöglicht eine detaillierte Quantifizierung segmentierter planarer Subdomänen, sowohl in Bezug auf ihre Zusammensetzung (z. B. Schwankungen der Zusammensetzung in der Ebene) als auch auf ihre Geometrie (z. B. Schwankungen der Dicke in der Ebene). Die Robustheit und Effizienz dieser Pipeline wird durch ihre erfolgreiche Anwendung auf sechs verschiedene APT-Datensätze der Fe-dotierten Sm-Co-Legierung veranschaulicht, um Korrelationen zwischen der Mikrostruktur des Materials und den magnetischen Eigenschaften zu finden. Um komplexe lineare Entitäten, insbesondere Versetzungen, zu segmentieren, wird ein Konzept der algorithmischen Geometrie, die so genannte Skelettierung, verwendet, um die Konzentrations-Isoflächen zu reduzieren und eine Mikrostruktur in einen linearen Graphen, ein sogenanntes Skelett, zu verwandeln. Das Skelett abstrahiert die topologische Informationen, die der 3D-Isofläche entspricht. Das so erhaltene Skelett wird verwendet, um einzelne Versetzungen zu segmentieren und damit eine detaillierte Analyse der Konzentrationsprofile zu ermöglichen. Darüber hinaus werden kristallografische Informationen aus APT-Daten verwendet, um eine Orientierungsanalyse für jedes Versetzungssegment durchzuführen und es in das Kristallkoordinatensystem zu transformieren. Dieser Workflow kann - mit Erfolg - Versetzungen sowohl in einer Ni-basierten-Superlegierung als auch in einer Fe-Mn-Legierung extrahieren und nachfolgend zu analysieren. Dies verdeutlicht seine Fähigkeit, mühelos mit unterschiedlichen APT-Datensätzen umzugehen, und zeigt sein Potenzial, als leistungsfähiges Werkzeug zum Verständnis der Rolle von dekorierten Versetzungen für die Materialeigenschaften zu dienen. Obwohl die 3D-APT-Daten in der Ortsauflösung stark verrauscht sind, lassen sich in den Daten dennoch die Signatur der zugrunde liegenden Kristallstruktur finden. Um die strukturellen und chemischen Informationen in der Umgebung jedes Atoms in den APT-Daten zu erfassen, wurden SOAP-Deskriptoren (Smooth Overlap of Atomic Orbitals) verwendet, die translations- und rotations-invariant sind. Diese Deskriptoren werden mit einer Autoencoder-Architektur optimiert, um dem Rauschen in den APT-Daten Rechnung zu tragen. Die optimierten Deskriptoren werden verwendet, um ein neuronales Netzwerk zu trainieren, das geordnete L1$_2$-Nanodomänen in einer Al-Mg-Li-Legierung identifiziert. In dieser Arbeit werden mehrere auf maschinellem Lernen basierende Workflows und Modelle vorgestellt, die entscheidend zur Entschlüsselung der komplizierten Zusammenhänge zwischen Materialstruktur und -eigenschaften beitragen. Die Modelle erleichtern die Extraktion von Deskriptoren für die Struktur und Zusammensetzung der Mikrostruktur, und legen somit den Grundstein, um zukünftig fortschrittlicher Modelle des maschinellen Lernens mit hohem Durchsatz zu trainieren.$$lger
001004505 520__ $$aThe interaction between various microstructural features within a material significantly influences its macroscopic properties. Understanding and measuring the spatial aspects and composition of these microstructural features is crucial for developing new materials and investigating how their structure affects their properties. Atom probe tomography (APT) has emerged as a key technique for material characterization due to its high chemical sensitivity and ability to provide 3D mapping of atomic positions in a material at sub-nanometer resolution. However, analyzing these large datasets (often exceeding 10 million atoms) has traditionally been manual and time-consuming, leading to potential inconsistencies. The integration of machine learning, including clustering and deep learning algorithms, offers a promising solution to streamline this analysis, making it faster and less reliant on manual efforts. In response, this thesis introduces several machine learning-based workflows aimed at automatically quantifying 3D microstructures in APT datasets. These workflows strongly emphasize robustness and reproducibility, holding the potential to drive substantial advancements in the field of materials science. The initial step in analyzing the 3D microstructure within APT data involves segmenting areas with similar chemical compositions. These regions are termed chemical domains and may correspond to various phases present in a material. The segmentation process is facilitated by a novel, multi-stage unsupervised machine learning approach. To gather local composition information, the APT dataset is divided into uniformly sized voxels. The coordinate system comprising voxel compositions is called composition space. To identify distinct phases or chemical domains within this space, a Gaussian mixture model is employed for clustering. Additionally, a density-based clustering algorithm helps isolate different microstructural features within a single phase at the voxel resolution in real space, treating each feature as a distinct entity. These microstructural entities are then examined for their compositional and geometric properties (such as orientation, shape, and thickness). The methodology, along with its limitations and potential enhancements, is illustrated using both synthetic and actual APT datasets. This includes a detailed examination of a five-component, Fe-doped Sm-Co magnetic alloy and a Nickel-based superalloy that encompasses 30 distinct chemical species. Quantifying 3D microstructures can be challenging due to their intricate geometries. To address this, a data analysis pipeline using supervised machine learning is developed to examine complex microstructures containing planar subdomains, such as grain boundaries or intertwined plate-like precipitates. The pipeline allows for detailed quantification of segmented planar subdomains, both in terms of their composition (like in-plane composition fluctuations) and their geometry (such as in-plane thickness fluctuations). The robustness and efficiency of this pipeline are exemplified by its successful application to six different APT datasets corresponding to the Fe-doped Sm-Co alloy to find the correlation between material microstructure and magnetic properties. In order to segment complex linear features, particularly dislocations, a computational geometry concept called skeletonization is used to reduce the iso-composition surface meshes, delineating a microstructure into a linear graph or skeleton. The skeleton effectively encapsulates the topological information corresponding to the 3D iso-composition surface mesh. The underlying skeleton is used to segment dislocations from the meshes for detailed composition analysis. On top of this, crystallographic information from APT data is used to perform orientation analysis on each dislocation segment to transform it into the crystal coordinate system. This workflow is able to successfully extract and analyze dislocations in a Ni-based alloy and a Fe-Mn alloy, exemplifying its ability to work seamlessly on different APT datasets and its potential to be used as a powerful tool to understand the impact of decorated dislocations on material properties. Although the 3D APT data is spatially noisy, there are still signatures of the underlying crystal structure of the material in the data. Smooth overlap of atomic orbitals (SOAP) descriptors, which are translationally and rotationally invariant, were used to capture the structural and chemical information around each atom in the APT data. These descriptions are optimized using an autoencoder architecture to accommodate for the noise in the APT data. The optimized descriptors are used to train a neural network to identify ordered L1$_2$ nano-domains in an Al-Mg-Li alloy. In this thesis, a range of machine learning-based workflows and models are presented, which play a crucial role in deciphering the intricate correlations between material structure and properties. These models facilitate the extraction of descriptors related to the structure and composition of microstructures, laying the ground for training advanced, high-throughput machine learning models.$$leng
001004505 536__ $$0G:(DE-Juel1)HDS-LEE-20190612$$aHDS LEE - Helmholtz School for Data Science in Life, Earth and Energy (HDS LEE) (HDS-LEE-20190612)$$cHDS-LEE-20190612$$x0
001004505 536__ $$0G:(DE-HGF)PHD-PROGRAM-20170404$$aDoktorandenprogramm (PHD-PROGRAM-20170404)$$cPHD-PROGRAM-20170404$$x1
001004505 588__ $$aDataset connected to Lobid/HBZ
001004505 591__ $$aGermany
001004505 653_7 $$aFe-doped Sm-Co alloys
001004505 653_7 $$aU-Net
001004505 653_7 $$aatom probe tomography
001004505 653_7 $$aautoencoder
001004505 653_7 $$aimage segmentation in APT
001004505 653_7 $$ajunction detection in APT
001004505 653_7 $$amachine learning
001004505 653_7 $$askeletonization
001004505 7001_ $$0P:(DE-82)000488$$aRaabe, Dierk$$b1$$eThesis advisor$$urwth
001004505 7001_ $$0P:(DE-82)IDM01595$$aBerkels, Benjamin$$b2$$eThesis advisor$$urwth
001004505 7001_ $$0P:(DE-82)1008822$$aGault, Baptiste$$b3$$eThesis advisor
001004505 8564_ $$uhttps://publications.rwth-aachen.de/record/1004505/files/1004505.pdf$$yOpenAccess
001004505 8564_ $$uhttps://publications.rwth-aachen.de/record/1004505/files/1004505_source.zip$$yRestricted
001004505 909CO $$ooai:publications.rwth-aachen.de:1004505$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
001004505 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001004505 9141_ $$y2024
001004505 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1357141750$$aRWTH Aachen$$b0$$kRWTH
001004505 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)000488$$aRWTH Aachen$$b1$$kRWTH
001004505 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01595$$aRWTH Aachen$$b2$$kRWTH
001004505 9201_ $$0I:(DE-82)523110_20140620$$k523110$$lLehrstuhl für Werkstoffphysik und Institut für Metallkunde und Materialphysik$$x0
001004505 9201_ $$0I:(DE-82)520000_20140620$$k520000$$lFachgruppe für Materialwissenschaft und Werkstofftechnik$$x1
001004505 961__ $$c2025-04-17T11:12:55.937496$$x2025-02-13T13:44:02.182659$$z2025-04-17T11:12:55.937496
001004505 980__ $$aI:(DE-82)520000_20140620
001004505 980__ $$aI:(DE-82)523110_20140620
001004505 980__ $$aUNRESTRICTED
001004505 980__ $$aVDB
001004505 980__ $$aphd
001004505 9801_ $$aFullTexts