دسته‌بندی میکروساختار پیشرفته برحسب روش‌های داده‌کاوی

ویژگی‌های مکانیکی مواد چندمرحله‌ای مدرن به شکلی قابل ملاحظه وابسته به توزیع، شکل و اندازه مواد تشکیل‌دهنده ریزساختار است. بنابراین، تعیین کمیت و دسته‌بندی ریزساختار در شناسایی رابطه ساختار-ویژگی زیربنایی مواد ویژه قطعی است. با توجه به پیچیدگی ریزساختار در مواد مدرن، دسته‌بندی معتبر مولفه‌های ریزساختار یکی از بزرگترین چالش‌ها در متالورژی باقی مانده است. مطالعه حاضر نشان می‌دهد چگونه روش‌های داده‌کاوی را می‌توان برای تعیین ساختارهای متفاوت فولادی برای فولادهای دومرحله‌ای با ارزیابی پارامترهای ریخت‌شناسی‌شان استفاده کرد. فرایند داده‌کاوی با استفاده از دستگاه بردار پشتیبان به عنوان دسته‌کننده برای ساخت مدلی توسعه یافته است که قادر به تمایز بین ریزساختارهای متفاوت فولادهای دومرحله‌ای است. تاثیرگذاری پیش‌پردازش و روش‌های انتخاب ویژگی برای نتیجه دسته‌بندی آزمایش شد.

ریزساختار فولادهای پیشرفته معمولاً با پردازش ترمومکانیک پیچیده یا نورد پساداغ کنترل می‌شود [1]. بسته به ترکیب شیمیایی و کنترل فرایند، ریزساختار این فولادها ممکن است در بازه مراحل متفاوت باشد. اگر ریزساختار مرکب از بیش از یک مرحله باشد، ویژگی‌های ماده قویاً وابسته به نوع و توزیع مراحل متناظر است [2]. بنابراین، تعیین نوع و مقدار مراحل متفاوت برای ارزیابی رابطه زیربنایی ویژگی-ساختار ضروری است. به شکلی سنتی، ریزساختارهای فولادها با استفاده از روش‌های متالورژی استاندارد مبتنی بر خورندگی شیمیایی و میکروسکوپ نوری روشن (LOM) است و آنها با مقایسه تصاویر میکروسکوپی با مجموعه‌های مرجع دسته‌بندی می‌شوند. به خصوص برای ریزساختارهای فولاد و پیچیده، مقایسه با مجموعه‌های مرجع قویاً وابسته به نظر ذهنی متخصص است. با این حال، فولاد، به خاطر ویژگی‌های مکانیکی عالی و تنوع بالای کاربردهایش، هنوز یکی از پرکاربردترین موادها است [3]. بنابراین، علاقه قابل ملاحظه‌ای به توسعه تکنیک‌های تعیین کمیت عینی برای فولادها وجود دارد. برای توصیف صفات فولاد، ریزساختارها را می‌توان برای مثال با حک ساختار نظیر نیتال [4] یا تکنیک‌های حکاکی رنگ نظیر نقش‌افکن براها حک کرد [5]. با توجه به تضادهای متفاوت که با حکاکی به دست می‌آید ماتریس فریتی را می‌توان از مرحله دوم پرلیت، باینیتی یا مارتنسیتیت تمایز داد. با این حال، این حکاکی‌ها محدود به رویکردهای تجربی هستند و به سرعت به حدهای خود، به خصوص برای تمایز مولفه‌های مرحله‌ای متفاوت در فولادهایی می‌رسند که بیش از دو مرحله نشان می‌دهد. علاوه بر این، ریزساختارهای فولادهای چندمرحله‌ای پیچیده معمولاً آنقدر ظریف هستند که با میکروسکوپ نوری روشن حل می‌شوند. توصیف مناسب نیازمند تکنیک‌های متالورژی مدرن نظیر میکروسکوپ الکترون پویش با وضوح بالا (SEM) یا انکسار پس‌پراکنش الکترون (EBSD) است [6,7]. بنابراین، هر رویکردی با هدف شناسایی مولفه‌های مرحله‌ای فولادهای چندمرحله‌ای باید متکی بر پارامترهای ریخت‌شناسی یا بلورشناسی قابل دسترس با این تکنیک‌ها باشد [8–13]. در حال حاضر، چند تحقیق به EBSD برای توصیف ریزساختار فولادها پرداخته‌اند، زیرا این تکنیک می‌تواند اطلاعات مستقیم درباره ترکیب مرحله‌ای فراهم کند [6,7,8,14]. برای مثال، در مرجع [14]، چند درجه فولاد از تولیدکنندگان مختلف مطالعه شده است و مدل دسته‌بندی مبتنی بر EBSD پیشنهاد شد. نشان داده شد که جهت‌گیری اشتباه میانگین کرنل (KAM) که از اندازه‌گیری‌های EBSD استنتاج شد برای تمایز بین فریت، باینیتیک فریت یا مارتنسیتیت قابل استفاده است. اگرچه ثابت شده که این رویکردهای مبتنی بر EBSD برای برخی فولادها به کار می‌آیند، اما تفکیک مرحله‌ای به وسیله EBSD خیلی ذهنی است زیرا قویاً وابسته به انتخاب مناسب پارامترهای مهیاسازی، اندازه‌گیری و ارزیابی است [14]. رویکرد کاملاً جدید برای دسته‌بندی ریزساختارها با استفاده از روش‌های داده‌کاوی توسط ولیچکو و همکاران [15] ارائه شد. داده‌کاوی فرایند کشف دانش در پایگاه داده‌ها است [16]. این رویکرد تمام رویه‌های تحلیل لازم را برای شناسایی روندهای جالب و الگوهای درون داده‌ها خلاصه می‌کند و شامل تهیه داده‌ها و مدل‌سازی داده‌ها است. مدل‌های مختلف را می‌توان، بسته به هدف تحقیق، ساخت. برای تفسیر درست مدل‌ها، روش‌های آماری و ارزیابی استاندارد لازم است [16]. در مطالعه خود، ولیچکو و همکاران از روش‌های داده‌کاوی برای دسته‌بندی روش‌های گرافیتی مختلف در چدن با استفاده از دستگاه بردار پشتیبان (SVM) به عنوان دسته‌کننده استفاده کردند. SVM روش دسته‌بندی دوتایی است که داده‌های برچسب‌دار را از گروه‌های مختلف به صورت مدل ورودی و خروجی برای دسته‌بندی داده‌های بدون برچسب/برچسب‌دار در گروه‌های متفاوت می‌گیرد. اصولاً، ولیچکو و همکاران پارامترهای ریخت‌شناسی را از ریزگراف‌های نوری چند نمونه مرجع استنتاج کردند و مقدار زیادی داده‌ را با ابزار داده‌کاوی تحلیل کردند. این مطلب آنها را قادر کرد روندها، خوشه‌ها یا ناهنجاری‌ها و همچنین روابط بین پارامترهای ریخت‌شناسی را در داده‌هایی بیابند که برای ریخت‌شناسی گرافیکی تعیین کننده بود و برای نتیجه‌گیری درباره مدل دسته‌بندی قابل استفاده است. این مدل برای نمونه‌های مستقل آزمایش شد و صحت دسته‌بندی حدود 95% را برای اغلب ریخت‌شناسی‌های گرافیتی متفاوت نشان داد. برخلاف روش‌های متالورژی کلاسیک، رویکرد داده‌کاوی دارای این مزیت است که دامنه‌ای برای تفسیر عینی ریزساختار نیست. رویکرد مبتنی بر داده‌کاوی مشابه توسط لیو و همکاران برای دسته‌بندی ساختارهای فولاد پیچیده استفاده شد [17]. در تحقیق خود، جریان‌های کاری را با استفاده از دسته‌کننده نزدیکترین مجاورها (kNN) و پارامترهای مبتنی بر پیکسل برای دسته‌بندی فولادها با استفاده از تصاویر میکروسکوپی نوری نمونه‌های پرلیتی تولیدکننده مرحله‌ای و نمونه‌هایی با ریزساختار ترکیبی ایجاد کردند. برای فولادی با دو گروه، آنها توافق مناسبی در قالب انکسار مرحله‌ای در مقایسه با نتایج دسته‌بندی دستی به دست آوردند. برای پرلیت، جریان‌کاری دسته‌بندی را نمی‌توان استفاده کرد، بنابراین در رویکرد اول، ساختارهای مصنوعی آزمایش شدند، که به دقت 93.8% رسیدند. دی‌کاست و هولم نشان دادند که دسته‌بندی 7 ماده متفاوت (چدن شکل‌پذیر، چدن خاکستری، چدن چکش‌خور، زوج تابکاری، فولاد زودگداز برنج و ابرآلیاژ) با ویژگی‌های دیداری را می‌توان با استفاده از یک مدل SVM برای هر گروه تصویر اجرا کرد. سیستم دسته‌بندی‌شان به دقت اعتبارسنجی متقابل 83% رسید [18]. علاوه بر داده‌کاوی، روش‌های یادگیری عمیق را می‌توان برای دسته‌بندی ریزساختارها اجرا کرد. برای مثال، چاودوری و همکاران در موردکاوی نشان دادند که شبکه‌های عصبی پیش‌آموزش یافته برای استخراج ویژگی از تصاویر آلیاژ‌ها با ترکیب‌های گوناگون Sn–Ag–Cu با نمایش ساختارهای رگه‌ای قابل استفاده هستند. با این ویژگی‌ها، آنها به حداکثر دقت دسته‌بندی 97% با استفاده از SVM خطی به عنوان دسته‌کننده برای تمایز بین تصاویر ریزساختاری در قالب حضور رگه‌ها رسیدند [19]. اگرچه روش‌های یادگیری عمیق اخیراً خیلی جالب شده‌اند و ممکن است برای دسته‌بندی ریزساختار استفاده شوند [20,21]، با شبکه‌های عصبی پیچیدگی (CNNs)، ویژگی‌های دسته‌بندی دیگر قابل ارزیابی نیست و بنابراین زمینه مواد محور دیگر به دست نمی‌آید. هدف این اثر اثبات این مطلب است که فرایند داده‌کاوی در ترکیب با پارامترهای ریزساختار سنتی به عنوان ابزاری برای دسته‌بندی عینی ریزساختار فولادهای دومرحله‌ای با ماتریس فریتی با استفاده از SVM به عنوان دسته‌کننده قابل استفاده است. ساختار فرایند داده‌کاوی شرح داده شد و پیش‌پردازش متفاوت و گزینه‌های تقسیم داده‌ها بررسی شدند. برخلاف ریخت‌شناسی گرافیتی در چدن، ریزساختارهای معمولی فولادها به خاطر ساختار فرعی پیچیده‌تر هستند. بنابراین، دسته‌بندی مبتنی بر پارامترهای ریخت‌شناسی استخراجی از میکروسکوپ نوری و تصاویر میکروسکوپ الکترونی است. برای رسیدن به درجه بالایی از تعمیم، حجم زیادی از داده‌ها برای آموزش مدل استفاده می‌شود. در گام اول، پایگاه داده‌ها با ساختارها و اشیاء قابل ملاحظه تولید می‌شود که نشانگر گروه‌های متفاوت ریزساختارها است، در ادامه، از آنها برای آموزش مدل استفاده می‌شود.