Návrh algoritmů pro automatickou klasifikaci lomů v ocelích

Abstract

Diplomová práce se zabývá možností automatické klasifikace lomů v ocelích. Rešeršní část obsahuje základní principy teorie statistického rozhodování, základní fakta o hlavních typech lomů a přehled charakteristik morfometrie a drsnosti pro popis morfologie lomových ploch ve 3D. Experimentální část zahrnuje základní informace o ocelích AISI 304L a P92, tři typy laboratorních zkoušek (statická zkouška tahem, zkouška rázem v ohybu, zkouška únavy) a dokumentaci lomových ploch ve 3D pomocí konfokálního mikroskopu. Reliéfy lomových ploch jsou dekomponovány do pěti dimenzionálních složek, každá z nich charakterizována 1662 charakteristikami drsnosti a morfometrie. Soubory všech parametrů morfologie 3D rekonstrukce lomových ploch jsou vstupem pro pět algoritmů rozpoznávání materiálu a typu lomu vytvořených na principu dvou metod rozhodování rozhodovací stromy a metoda Naїve Bayes. Ze souhrnných výsledků pro rozpoznávání typu lomu a materiálu je určení správné s pravděpodobností minimálně 77 % u 86 % vzorků. Zcela nesprávné určení bylo u 6,8 % vzorků.

This thesis is concerned with a possibility of computer-aided classification of fractures in steels. The theoretical part contains the principles of statistical decision making, introduces the basics facts of main fracture types and an overview of characteristics of morphometry and roughness of surfaces for description of the 3D fracture surface morphology. The experimental part contains the basic facts about steels AISI 304L and P92, three types of used laboratory experiments (the tensile test, Charpys test, the fatigue test) and the scanning of fracture surfaces by confocal microscope. The relief of fracture surface is decomposed into five components, each of which is characterized by 1662 characteristics of morphometry and roughness of surfaces. Groups of all morphology parameters of 3D reconstruction of fracture surfaces are used as input data for five machine learning algorithms. The used algorithms are based on two classical methods of statistical decision making: decision trees, and the approach called Naїve Bayes. Our results show, that for 86% of specimens the constructed classification algorithms determided the correct type of steel and type of fracture with 77% probability. Only 6,8% of the specimens were classified incorrectly.