Klasifikace mikrostruktury multifázových ocelí pomocí pokročilých mikroskopických technik a obrazové analýzy

Abstract

Austenitické nerezové ocele si vďaka svojim charakteristickým vlastnostiam našli uplatnenie naprieč rôznymi sektormi. Metastabilný charakter niektorých z nich, ktorý umožňuje martenzitickú tranformáciu so sebou však prináša určité riziká spojené s poklesom húževnatosti. Na odhalenie martenzitickej fázy v mikroštruktúre oceli sa v dnešnej dobe využívajú techniky ako je napríklad difrakcia spätne odrazených elektrónov v rastrovacom elektrónovom mikroskope. Difrakcia spätne odrazených elektrónov je však veľmi časovo náročná a takisto kladie vysoké nároky na kvalitu metalografickej prípravy vzoriek. Cieľom tejto práce je nájdenie iných techník, umožňujúcich separáciu fáz v metastabilnej austenitickej oceli v rastrovom elektrónovom mikroskope, ako aj optimalizácia metalografickej prípravy tejto oceli pre potreby elektrónovej mikroskopie. Po naplnení týchto cieľov sa táto práca zameriava na možnosť využitia takzvaného hlbokého učenia za účelom automatizovanej separácie fáz v mikrosnímkach z rastrovacieho elektrónového mikroskopu. Pre tieto účely boli natrénované 4 neurónové siete založené na rôznych architektúrach a ich výsledky boli následne porovnané.Austenitic stainless steels have found application in various sectors due to their characteristic properties. Metastable character of some of them, which allows martensitic transformation, is connected with possible risks in form of decrease of toughness. For revelation of martensitic phase in a microstructure of the austenitic stainless steel, techniques such as electron backscatter diffraction (EBSD) in scanning electron microscope (SEM) are used. However, the EBSD is time-consuming and it requires high quality of metallographic specimen preparation. Goal of this thesis is to find other techniques, which allow separation of the phases in metastable austenitic stainless steel in the SEM, as well as optimization of metallographic specimen preparation for needs of the SEM. After fulfilment of these goals, the thesis focuses on possibility of usage of the so-called deep learning for purpose of automated separation of phases in micrographs from the SEM. For this purpose, 4 artificial neural networks based on different architectures were trained and their results were compared.