elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Can unsupervised machine learning boost the on-site analysis of in situ synchrotron diffraction data?

Strohmann, Tobias und Barriobero Vila, Pere und Gussone, Joachim und Melching, David und Stark, Andreas und Schell, Norbert und Requena, Guillermo (2022) Can unsupervised machine learning boost the on-site analysis of in situ synchrotron diffraction data? Scripta Materialia. Elsevier. doi: 10.1016/j.scriptamat.2022.115238. ISSN 1359-6462.

[img] PDF - Postprintversion (akzeptierte Manuskriptversion)
1MB

Kurzfassung

We explore the use of unsupervised machine learning to analyze in situ diffraction data of an additively manufactured Ti-6Al-4V alloy. The model is trained on a dataset consisting of four thermal cycles. The α/α’-β phase transformation results in a steep gradient of the reconstruction error, whose derivative is applicable to detect periods of fast phase transformation. Moreover, the latent space features of the autoencoder correlate well with the volume fractions of α/α’ and β.

elib-URL des Eintrags:https://elib.dlr.de/192961/
Dokumentart:Zeitschriftenbeitrag
Titel:Can unsupervised machine learning boost the on-site analysis of in situ synchrotron diffraction data?
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Strohmann, TobiasTobias.Strohmann (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Barriobero Vila, PerePere.BarrioberoVila (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gussone, JoachimJoachim.Gussone (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Melching, DavidDavid.Melching (at) dlr.dehttps://orcid.org/0000-0001-5111-6511NICHT SPEZIFIZIERT
Stark, AndreasHelmholtz-Zentrum HereonNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schell, NorbertHelmholtz-Zentrum HereonNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Requena, GuillermoGuillermo.Requena (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:22 Dezember 2022
Erschienen in:Scripta Materialia
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1016/j.scriptamat.2022.115238
Verlag:Elsevier
ISSN:1359-6462
Status:veröffentlicht
Stichwörter:Unsupervised machine learning, synchrotron diffraction, Ti-6Al-4V
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Komponenten und Systeme
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L CS - Komponenten und Systeme
DLR - Teilgebiet (Projekt, Vorhaben):L - Strukturwerkstoffe und Bauweisen
Standort: Köln-Porz
Institute & Einrichtungen:Institut für Werkstoff-Forschung > Metallische Strukturen und hybride Werkstoffsysteme
Hinterlegt von: Strohmann, Tobias
Hinterlegt am:30 Jan 2023 17:46
Letzte Änderung:22 Dez 2024 03:00

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.