Intelligence artificielle pour différencier les phases des aciers dans les cartes EBSD

CDD de 2 ans– temps plein

Metz - ArcelorMittal / LEM3

Personnes à contacter par le candidat

lionel.germain@univ-lorraine.fr -
nathalie.gey@univ-lorraine.fr -
Matthieu.salib@arcelormittal.com -
bianca.frincu@arcelormittal.com

DATE DE DÉBUT SOUHAITÉ

01/09/2022

DATE LIMITE DE CANDIDATURE

30/06/2022

RÉFÉRENCE DE L’ANNONCE

https://bit.ly/3ug1Lyi

TÉLÉCHARGEZ L’OFFRE

Contexte :
Les aciers de nouvelle génération ont des microstructures complexes et multi-phasées. Ils peuvent notamment comprendre de la martensite, des îlots MA (martensite + austénite), de la bainite inférieure, supérieure ou granulaire, de la ferrite et/ou de la perlite. Leurs propriétés mécaniques sont contrôlées au premier ordre par les fractions volumiques de ces phases et leur distribution. Une meilleure compréhension des corrélations entre procédé d’élaboration et microstructure est donc indispensable pour assurer un suivi qualité de leur production. L’identification et la quantification précise de ces constituants est encore aujourd’hui compliquée : Les réactifs actuels ne fonctionnent pas sur toutes les nuances et lorsque qu’ils fonctionnent, ils ne mettent en évidence qu’une ou deux phases particulières. Il faut alors combiner plusieurs attaques pour révéler l’ensemble des phases en présence.
Dans ce contexte, l’analyse EBSD n’a pas encore révélé tout son potentiel. La principale limitation de cette technique est qu’elle ne permet pas aujourd’hui de distinguer directement la ferrite, les bainites et la martensite, toutes indexées en Ferrite α de structure Cubique Centrée. Toutefois, le signal EBSD est sensible à certaines caractéristiques qui distinguent ces phases : la présence de défauts cristallins, l’existence et le type de relation d’orientation avec le voisinage, la distribution spatiale de micro-constituants. Dans ce cadre, plusieurs codes ont été développés au LEM3 pour exploiter les cartes EBSD afin d’extraire des descripteurs capables distinguer ces produits de transformation.
Une première étude a montré que ces descripteurs peuvent aussi être utilisés pour segmenter automatiquement les phases en s’appuyant sur des algorithmes de machine learning. En entrainant des réseaux UNET, nous avons d’abord été capable de distinguer automatiquement ferrite et martensite dans des aciers Dual Phase. Puis, cette approche a été étendue aux aciers multiphasés martensite, bainite et ferrite avec une précision de plus de 90%. Enfin, des méthodes non supervisées basée sur l’InfoGAN ont aussi été mises en œuvre pour distinguer les bainites inférieures et supérieures également avec une précision de 90%.
Fort de cette expérience, nous avons entrepris de poursuivre ces travaux pour améliorer les modèles existants et les bases de données associées.