Sciencemag.cz
Doporučujeme
Novou metodologii pro segmentaci a hodnocení difuzních povlaků pro povrchovou úpravu oceli vyvinuli vědci z národního superpočítačového centra IT4Innovations při VŠB-TUO a Fraunhofer Institute for Chemical Technology ICT. Navržená metoda může usnadnit přípravu povlaků pro různá specifická prostředí a byla publikovaná v časopise High Temperature Corrosion of Materials.
„Studie se zabývá návrhem automatického vyhodnocení parametrů difúzních povlaků na hliníkové bázi, které jsou nanášeny na ocel za účelem povrchové ochrany materiálu. Cílem je zabránit působení nepříznivých vlivů prostředí na materiál vhodnou volbou povlakové vrstvy. Parametry povlakových vrstev jsou vyhodnocovány z obrazových dat elektronového mikroskopu. Vytvořený přístup využívá strojového učení a kombinuje reálná a synteticky generovaná data pro přesné určení parametrů materiálu,“ uvedl jeden z autorů článku Petr Strakoš.
Hliníkové difuzní povlaky a jejich význam
Hliníkové difuzní povlaky představují efektivní a cenově dostupnou metodu ochrany ocelí před korozí při vysokých teplotách v náročných prostředích. Tyto povlaky se aplikují jako hliníková suspenze, která se nanáší nástřikem nebo natíráním. Hliníkové difuzní povlaky nacházejí široké uplatnění například u nové generace parních turbín, kde umožňují provoz při teplotách nad 650 °C, a při ochraně ocelí v elektrárnách využívajících koncentrace solární energie. Povlak nejen chrání komponenty jako potrubí či nádrže před korozí, ale také brání vzniku toxických sloučenin hexavalentního chromu, které vznikají reakcí chromu z oceli s taveninami.
Strojové učení v hodnocení povlaků
Analýza snímků z elektronového mikroskopu (SEM) je klíčová pro hodnocení struktury hliníkových povlaků, ale tradiční postupy čelí výzvám, jako jsou zobrazovací artefakty, obrazový šum nebo překrývání prvků (např. pryskyřice, póry, trhliny). Vědci z IT4Innovations představili novou metodiku, která využívá hluboké učení a architekturu U-Net pro segmentaci SEM snímků.
Pro trénink modelu vědci vytvořili tzv. „ground truth“ data pomocí softwaru ImageJ a doplnili je syntetickými daty generovanými v programu Blender 3D. Kombinace reálných a syntetických dat umožnila modelu dosáhnout mimořádné přesnosti: 98,7 % pro vrstvu Fe2Al5, 82,6 % pro póry a 81,48 % pro sraženiny.
Výsledky: vliv složení suspenze
Model byl použit k hodnocení povlaků vytvořených suspenzemi o třech různých složeních. Studie ukázala, že absence reologického modifikátoru může vést k tvorbě silnějších vrstev Fe2Al5. Celková tloušťka povlaku přitom neovlivnila poměr vnější a vnitřní difuze. Povlaky s menší tloušťkou obsahovaly méně pórů a sraženin chromu bez ohledu na složení suspenze.
Budoucnost výzkumu
Nově vyvinutá metoda segmentace a analýzy pomocí strojového učení (hluboké učení s architekturou U-Net) otevírá nové možnosti pro optimalizaci povrchových úprav ocelí. Metoda umožňuje efektivně zkoumat vliv složení suspenze na strukturu povlaků a tím optimalizovat jejich ochranné vlastnosti. Významnou výhodou metody je použití syntetických dat pro trénování modelu, což umožňuje překonat omezenou dostupnost reálných označených dat a zlepšit generalizaci modelu (zlepšit jeho schopnost fungování na neznámých datech stejného typu).
Navržená metoda umožní efektivní optimalizaci povlaků pro odolnost vůči vysokým teplotám a korozi a přispěje tak k vývoji specifických materiálů pro různě náročná prostředí. Uplatnění nalezne zejména v energetice, například při návrhu nové generace parních turbín nebo v systémech využívajících koncentrace solární energie.
Odborný článek
Segmentation and Metallographic Evaluation of Aluminium Slurry Coatings Using Machine Learning Techniques
https://doi.org/10.1007/s11085-024-10321-3
