Uso del Deep learning para clasificar objetivamente los materiales de acero

Los rodamientos se instalan allí donde algo está en rotación. La amplia gama de aplicaciones abarca desde grandes turbinas eólicas hasta pequeños cepillos de dientes eléctricos. Estos rodamientos, que constan de componentes de acero, deben seleccionarse y probarse cuidadosamente en función de su calidad y de la aplicación en cuestión. El tamaño del grano tiene un efecto crucial en las propiedades mecánicas del acero. Hasta ahora, los metalógrafos evaluaban el tamaño de los cristalitos microscópicos mediante inspección visual, un método subjetivo y propenso a errores. Los investigadores del Instituto Fraunhofer de Mecánica de Materiales IWM, en colaboración con Schaeffler Technologies AG & Co. KG, han desarrollado un modelo de Deep learning que permite evaluar y determinar el tamaño del grano de forma objetiva y automatizada.

El material utilizado habitualmente para los rodamientos son aceros endurecidos superficialmente y enriquecidos con carbono. El endurecimiento superficial se utiliza para hacer que el material sea duradero y evitar así el fallo, la fatiga y el crecimiento de grietas críticas en los componentes debido a la carga cíclica, evitando así accidentes graves. Las características microestructurales críticas de las aleaciones de acero suelen ser inclusiones no metálicas y granos más grandes que la media. Estos cristalitos se forman durante el proceso de producción del acero y están sujetos a cambios constantes a lo largo de la cadena de valor. Las propiedades mecánicas del acero vienen determinadas en gran medida, entre otras cosas, por el tamaño del grano. Por lo tanto, a efectos de control de calidad, es esencial que se evalúen de forma fiable. Los investigadores de Fraunhofer IWM en Friburgo, Alemania, en colaboración con Schaeffler Technologies AG & Co. KG, han desarrollado un modelo de Deep learning para determinar el tamaño de grano de aceros martensíticos y bainíticos, es decir, aceros con una microestructura endurecida causada por un enfriamiento brusco.

Este modelo está designado para complementar o reemplazar la inspección visual, que consume mucho tiempo, llevada a cabo por metalógrafos capacitados, quienes, hasta ahora, han determinado y clasificado los defectos visualmente. Principalmente buscan granos más grandes y otros defectos, ya que es ahí donde la probabilidad de fallo es mayor. Sin embargo, como ha vuelto a revelar una prueba interlaboratorios ‘round robin’, las evaluaciones del tamaño del grano realizadas por los expertos difieren entre sí. Aparte de que la clasificación granulométrica es intrínsecamente subjetiva, las valoraciones de los expertos resultaron a veces inexactas y, por tanto, no suficientemente fiables, sobre todo para aplicaciones relevantes para la seguridad. El procedimiento de inspección estándar también es propenso a errores porque se basa en muestras pequeñas y, debido a la gran cantidad de trabajo que implica, la inspección de todo el componente no es factible.

Por otro lado, el modelo de Deep learning para la determinación del tamaño de grano puede utilizarse para evaluar áreas de componentes arbitrariamente grandes y presenta una gran precisión y una reproducibilidad ideal. Para lograrlo, se suministraron al modelo datos de imágenes que previamente habían sido clasificados por expertos. Estas imágenes del socio industrial se utilizaron para entrenar al modelo a reconocer y clasificar microestructuras en el acero. La innovación en este caso es que el tamaño del grano puede evaluarse de forma sistemáticamente objetiva y automatizada. Los datos están sujetos a ruido de anotación debido a las diferencias en la forma en que los metalógrafos evalúan los tamaños de grano. Sin embargo, al optimizar el modelo, se filtra el ruido, es decir, la evaluación errónea. Al recibir continuamente imágenes anotadas con sobreestimaciones e infraestimaciones del tamaño del grano, el modelo aprende una representación media y se entrena para evaluar las microestructuras con más confianza. “En este caso, no se necesitan datos excepcionalmente limpios ni grandes volúmenes de datos para el entrenamiento”, afirma Ali Riza Durmaz, científico del Fraunhofer IWM. Una aplicación web desarrollada por el investigador Durmaz y su equipo visualiza los resultados. En el proceso, los ‘approches’ de inteligencia artificial explicable proporcionan una mayor transparencia en el proceso de toma de decisiones del modelo.

El modelo de Deep learning se utiliza para clasificar las imágenes de microestructura en diferentes rangos de tamaño de grano. “Los rodamientos deben cumplir los requisitos microestructurales, lo que significa que los granos no deben superar un determinado tamaño. Cuanto menor es el tamaño del grano, mayor es la resistencia del acero”, explica Durmaz. Cuanto mayor sea el número de granos pequeños, mayor será la densidad de los límites de grano, es decir, las superficies de contacto entre los granos. Una alta densidad de límites de grano impide la deformación plástica del componente incluso bajo cargas muy elevadas. Aunque el material se deformara ligera pero permanentemente, el rodamiento dejaría de funcionar con suavidad y las propiedades de fricción se verían mermadas, al igual que la eficiencia energética.

Además del tamaño de grano, el modelo de Deep learning también es capaz de distinguir entre estados martensíticos y bainíticos, así como entre diferentes aleaciones de acero (variantes de las familias 100Cr6 y C56). El modelo se está implementando actualmente en el entorno industrial de Schaeffler Technologies. De este modo, el socio industrial dispone de un sistema que puede utilizarse en procesos industriales para identificar defectos en rodamientos de forma automatizada y basada en IA, con una reproducibilidad hasta ahora inalcanzable. El flujo de trabajo, que implica adaptar el modelo de IA a materiales específicos, vincularlo al procesamiento de imágenes e incrustar el modelo en interfaces fáciles de usar, puede transferirse fácilmente a otras áreas de aplicación. “Nuestro modelo de Deep learning allana el camino para la cualificación automatizada y basada en IA, por ejemplo, en cualquier situación en la que los componentes críticos para la seguridad estén sometidos a cargas elevadas y cíclicas, como los componentes de los accionamientos eléctricos o el pilar B de los vehículos”, concluye Durmaz.

La Fraunhofer-Gesellschaft, con sede en Alemania, es la organización de investigación aplicada más importante del mundo. Al priorizar las tecnologías clave para el futuro y la comercialización de sus resultados en empresas e industrias, desempeña un papel fundamental en el proceso de innovación. Como pionera y creadora de tendencias en pionera y creadora de tendencias en desarrollos innovadores y excelencia investigadora, contribuye a dar forma a nuestra sociedad y a nuestro futuro. Fundada en 1949, la Fraunhofer-Gesellschaft cuenta actualmente con 76 institutos y unidades de investigación en toda Alemania. Alrededor de 30.800 empleados, en su mayoría científicos e ingenieros, trabajan con un presupuesto anual de investigación de unos 3.000 millones de euros, de los cuales 2.600 millones se destinan a investigación por contrato.