http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Investigation of damage sites in dual phase microstructures by artificial intelligence

Medghalchi, Setareh^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Setareh Medghalchi, M.Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024, Kumulative Dissertation

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Korte-Kerzel, Sandra (Thesis advisor)^RWTH* ; Münstermann, Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-06-28

Online
DOI: 10.18154/RWTH-2024-06967
URL: https://publications.rwth-aachen.de/record/989755/files/989755.pdf

Einrichtungen

1. Lehrstuhl für Werkstoffphysik und Institut für Metallkunde und Materialphysik (523110)
2. Fachgruppe für Materialwissenschaft und Werkstofftechnik (520000)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die vorliegende Arbeit beschäftigt sich mit der vielschichtigen Analyse der Schädigungsbildung in fortschrittlichen metallischen Werkstoffen mit heterogener Mikrostruktur unter verschiedenen Belastungszuständen. Dabei werden wertvolle Einblicke in die Schädigungsmechanismen, die Spannungszustandsabhängigkeit, die Dehnratenabhängigkeit sowie die dreidimensionale Charakterisierung und Phasenverteilung gewonnen. Die Untersuchungen umfassen Dualphasenstähle und eine gegossene Mg-Al-Ca-Legierung und beleuchten verschiedene Aspekte des Schädigungsverhaltens und dessen Auswirkungen auf das Werkstoffverhalten. Um statistisch signifikante Aussagen treffen zu können, ist eine umfassende und hochauflösende Datenerfassung von großen experimentellen Probenflächen erforderlich, da die Herstellungsprozesse einen starken Einfluss auf die Mikrostruktureigenschaften haben. Insbesondere die große Heterogenität innerhalb industriell gefertigter Bleche bleibt für herkömmliche Charakterisierungstechniken, die meist auf relativ kleine Analysebereiche beschränkt sind, unzugänglich, was die Repräsentativität empirischer Untersuchungen untergräbt. Neue Fortschritte im Deep Learning, insbesondere Convolutional Neural Networks (CNNs), haben sich bei der Analyse großer Datensätze und der Extraktion visueller Merkmale in der Materialwissenschaft als sehr effektiv erwiesen. Diese Dissertation umfasst sechs Veröffentlichungen, in denen die Bilddaten von Schädigungsbereichen, die mittels Rasterelektronenmikroskopie (REM) über relativ große Flächen aufgenommen wurden, aus verschiedenen Perspektiven charakterisiert und quantifiziert werden. Veröffentlichung 1 befasst sich mit der Anwendung von Deep Learning bei der Analyse von Schäden an Dualphasen Stählen (insbesondere DP800) und erweitert die Methodik von uniaxialen auf biaxiale Verformungsbedingungen. Durch den Einsatz von Datenaugmentation wird die Netzwerkperformance verbessert und Änderungen im Verhalten der Schädigungsbereiche, insbesondere die Verteilung des Martensit-Risswinkels, in Abhängigkeit von verschiedenen Spannungszuständen untersucht. Unter Verwendung der verbesserten Methode in Veröffentlichung 1 wird das Schädigungsverhalten von DP800-Stahl unter einachsigen und kombinierten Verformungspfaden charakterisiert, während in Veröffentlichung 2 ein starker Zusammenhang zwischen Belastungsrichtung und Schädigungsbildung gezeigt wird. Die Studie verwendet dabei die verbesserte Deep Learning basierte Methode zur Schadensquantifizierung, Finite-Elemente-Simulation zur Bestimmung des Spannungszustandes und Nanoindentation zur Bewertung der Verfestigung durch Verformung. Veröffentlichung 3 konzentriert sich auf eine gegossene Mg-Al-Ca-Legierung und untersucht die Geschwindigkeitsabhängigkeit der Schädigungsbildung bei erhöhten Temperaturen. Mit Hilfe von Convolutional Neural Networks werden sich ändernde dominante Schädigungsmechanismen bei unterschiedlichen Dehnraten untersucht. Es wird gezeigt, dass die Dehnrate den Verlauf von Mikrorissen und der Grenzflächendekohäsion beeinflusst und dabei Aufschluss über den Einfluss der plastischen Kodeformation der α- Mg-Matrix und der Laves-Phase sowie thermisch aktivierter Prozesse an der Grenzfläche liefert. Veröffentlichung 4 beschäftigt sich mit der dreidimensionalen Charakterisierung der Schädigungsbereiche in Dualphasenstahl und präsentiert eine umfassende Methodik, die Metallschliffserien und die automatische Bildanalyse mithilfe von Deep Learning kombiniert. Dieser Ansatz ermöglicht die Analyse von Tausenden von einzelnen Schädigungsbereiche in drei Dimensionen und bietet einen einzigartigen Einblick in die während der Verformung aktiven Schädigungsmechanismen. In Veröffentlichung 5 wurde die Phasensegmentierung von Dualphasenstahl mit Hilfe von zwei in dieser Arbeit entwickelten Deep-Learning-Algorithmen durchgeführt. Sie ermöglichten die Berechnung des genauen Martensitphasenanteils mit statistischer Relevanz und die Extraktion von Statistiken über die geometrischen Eigenschaften der Schädigungsbereiche und der umgebenden Mikrostruktur, wie z.B. den Phasenanteil. In Veröffentlichung 6 wurde ein Deep Learning-Algorithmus mit einem großen Satz von segmentierten Mikrostrukturbildern aus Veröffentlichung 5 und den entsprechenden Ergebnissen der Finite-Elemente-Simulation trainiert, was vielversprechende Möglichkeiten zur Vorhersage von mechanischen Spannungs- und Dehnungsfeldern aufzeigt. Dies hat das Potenzial, Computersimulation und experimentelle Materialwissenschaft zu verbinden und die Spannungs-Dehnungs-Analyse für robuste Materialdesignstrategien zu beschleunigen. Insgesamt liefern diese Studien ein umfassendes Verständnis der Schädigungsbildung in zwei Gruppen fortgeschrittener metallischer Werkstoffe und berücksichtigen dabei Faktoren wie Spannungszustand, Dehnungspfad, dreidimensionale Konfiguration und lokale mikrostrukturelle Eigenschaften. Dieses Wissen ist von großem Wert für die Optimierung des Materialverhaltens in realen Anwendungen wie dem Automobilbau und darüber hinaus.

The current thesis delves into the multifaceted analysis of damage formation in advanced metallic materials with heterogeneous microstructure under various loading conditions, providing invaluable insights into damage mechanisms, stress-state dependence, strain rate effects, and three dimensional characterisation as well as phase distribution. The studies encompass dual-phase steels and a cast MgAlCa alloy, shedding light on diverse aspects of damage behaviour and its implications for material performance. Comprehensive high-resolution data acquisition from relatively large experimental sample surfaces is mandated to elicit statistically robust inferences, given the profound influence of manufacturing processes on microstructural attributes. Predominantly, the vast heterogeneity within industrially manufactured sheets remains elusive to traditional characterisation techniques, which are mostly constrained to relatively diminutive analysis scopes, thus undermining the representativeness of empirical scrutiny. Recent advancements in deep learning, particularly convolutional neural networks (CNNs), have proven effective in analysing large datasets and extracting visual features in materials science. Six research publications are comprised in this thesis, in which the image data of deformation induced damage sites, collected by scanning electron microscope (SEM) across relatively large areas, have been characterised and quantified from different perspectives. Publication 1, explores the application of deep learning in damage analysis for dual-phase steel (DP800 specifically), extending the methodology from uniaxial to biaxial straining conditions. Leveraging data augmentation, the research enhances network performance and investigates changes in damage sites’ behaviour, particularly the martensite crack angle distribution, in response to different stress states. Facilitated by the enhanced method in publication 1, the damage behaviour of DP800 steel is characterised under single and combined strain paths, revealing a strong connection between loading direction and damage formation in publication 2. The study employs the enhanced deep learning based method, for damage quantification, finite element modelling for stress state determination, and nanoindentation for strain hardening assessment. Publication 3 focuses on a cast MgAlCa alloy and explores the rate dependence of damage formation at elevated temperatures. Utilising convolutional neural networks, the research identifies changing dominant damage mechanisms with varying strain rate. It demonstrates that the strain rate influences the evolution of microcracks and interface decohesion, shedding light on the influence of plastic co-deformation of the α-Mg matrix and Laves phase as well as thermally activated processes at the interface. Publication 4 addresses the three dimensional characterisation of the damage sites in dual phase steel, presenting a comprehensive methodology that combines metallographic serial sectioning, and deep learning assisted automatic image analysis. This approach allows for the analysis of thousands of individual damage sites in three dimensions, offering a unique perspective on active damage mechanisms during deformation. In publication 5, phase segmentation of dual phase steel has been accomplished through the implementation of two deep learning algorithms developed in this work. They have facilitated the calculation of precise martensite phase fraction with statistical relevance, and the extraction of statistics pertaining to the geometrical properties of damage sites and the surrounding microstructure such as phase fraction. In publication 6, a deep learning algorithm was trained using a large set of segmented microstructural images, generated in publication 5, and corresponding finite element simulation results, demonstrate promising potential for predicting mechanical stress and strain fields. This has the potential to bridge computational simulations and experimental materials science, expediting stress and strain analysis for robust material design strategies. Collectively, these studies provide a holistic understanding of damage formation in two groups of advanced metallic materials, considering factors such as stress state, strain path, 3D configuration and local microstructural properties. Such insights are invaluable for optimising material performance in real-world applications, such as automotive engineering and beyond.

OpenAccess:
PDF
(additional files)

Dokumenttyp
Dissertation / PhD Thesis

Format
online

Sprache
English

Externe Identnummern
HBZ: HT030819307

Interne Identnummern
RWTH-2024-06967
Datensatz-ID: 989755

Beteiligte Länder
Germany