Vorhersage der Zusammensetzung einer Stahllegierung

Die Energieerzeugung auf der Erde durch Kernfusion, die Art Reaktion, die die Sonne antreibt, hat sich als große Herausforderung erwiesen. Die extremen Bedingungen, die für eine solche Reaktion erforderlich sind, erfordern, dass die Wände einer Kernfusionsanlage aus einem Material mit bestimmten mechanischen Eigenschaften bestehen, einschließlich der Fähigkeit, unglaublich hohen Temperaturen standzuhalten sowie stoß- und korrosionsbeständig zu sein. Austenitischer Stahl, ein nichtmagnetischer Stahl mit kristalliner Struktur, ist eines der Materialien, die für den Einsatz in Kernfusionsgeräten in Betracht gezogen werden.

In einem neuen Artikel in Das European Physical Journal DIvan Traparić und Milivoje Ivković vom Institut für Physik in Belgrad, Serbien, erforschen einen effektiven Weg, die Zusammensetzung von austenitischem Stahl vorherzusagen.

Sie fanden heraus, dass die laserinduzierte Durchbruchspektroskopie – eine Technik zur Bestimmung der Menge an Elementen in einem Material – in Kombination mit einem tiefen neuronalen Netzwerk – einer Technik des maschinellen Lernens – am effektivsten war. Diese Technik könnte von Personen ohne Zugang zu zertifizierten Stahlproben zur Bestimmung der Elementzusammensetzung einer Stahlprobe eingesetzt werden.

Die Forscher verwendeten Techniken des maschinellen Lernens in Kombination mit laserinduzierter Durchbruchspektroskopie, um den Prozess der Identifizierung der Elemente zu beschleunigen, aus denen austenitische Stahlproben bestehen. Sie verwendeten ein Kriterium namens Gini-Verunreinigungstest, um die wichtigsten Daten aus ihrem Datensatz auszuwählen und so dessen Komplexität zu minimieren. Anschließend nutzten sie diesen vereinfachten Datensatz, um ihre Modelle für maschinelles Lernen zu trainieren, um die Zusammensetzung ihrer Stahlproben zu ermitteln.

Die Autoren kommen zu dem Schluss, dass ein neuronales Netzwerk in Kombination mit laserinduzierter Durchbruchspektroskopie die Zusammensetzung von austenitischem Stahl besser vorhersagen konnte als Random Forest, eine maschinelle Lerntechnik, die eine Sammlung von Entscheidungsbäumen verwendet.