logo móvil
Contáctanos

Caracterización de alta resolución de martensita inducida por deformación en grandes áreas de acero inoxidable austenítico fatigado utilizando aprendizaje profundo

Autores: Mikmeková, árka; Man, Jií; Ambro, Ondej; Jozefovi, Patrik; ermák, Jan; Järvenpää, Antti; Jaskari, Matias; Materna, Jií; Kruml, Tomá

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico


Categoría

Ciencias de los Materiales

Subcategoría

Materiales estructurales

Palabras clave

Demostrar
Visualización
Inducida por deformación
Alfa-martensita
Microscopio electrónico de barrido
Aprendizaje profundo

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 4

Citaciones: Sin citaciones


Descripción
Este artículo tiene como objetivo demostrar una técnica novedosa que permite la visualización precisa y el mapeo rápido de la alfa-martensita inducida por deformación, producida durante el esfuerzo cíclico de un acero inoxidable austenítico metastable, refinado mediante recocido de reversión a diferentes tamaños de grano. La técnica se basa en la separación de energía y ángulo de los electrones de señal en un microscopio electrónico de barrido (SEM). La recolección de electrones retrodispersados inelásticos emitidos bajo ángulos de despegue altos desde la superficie de una muestra resulta en la adquisición de micrografías con alta sensibilidad a defectos estructurales, como dislocaciones, límites de grano y otras imperfecciones. Las áreas con una alta densidad de imperfecciones en la red reducen la profundidad de penetración de los electrones primarios y, al mismo tiempo, afectan a los electrones de señal que salen de la muestra. Esto resulta en un aumento de los electrones retrodispersados inelásticos generados en la vecindad de la alfa-martensita, y un halo brillante rodea esta fase. Así, la fase alfa-martensita puede separarse de la matriz austenítica en micrografías de SEM. En este trabajo, proponemos un método de aprendizaje profundo para un mapeo preciso de la alfa-martensita en un área grande. Se han probado varios métodos basados en aprendizaje profundo, y el mejor resultado medido tanto por la pérdida de Dice como por las puntuaciones de IoU se ha logrado utilizando la arquitectura U-Net ampliada por el codificador ResNet.

Otros recursos que podrían interesarte

    Temas Virtualpro