Apprentissage profond appliqué aux microstructures et aux cartes d'orientations cristallines.

Neural network architectures dedicated to crystalline orientations and EBSD

• Auteur / Autrice : Pengru Zhao
• Direction : Lionel Germain, Frédéric Sur
• Type : Projet de thèse
• Discipline(s) : Sciences des Matériaux
• Date : Inscription en doctorat le 04/02/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale C2MP - Chimie mécanique matériaux physique (Lorraine ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : LEM3 - Laboratoire d Etude des Microstructures et de Mécanique des Matériaux
• Partenaire(s) de recherche : Equipe de recherche : DEPARTEMENT 2 : Ingénierie des Microstructures, Procédés, Anisotropie, ComportemenT (IMPACT)

Mots clés

Mots clés libres

Ebsd

Microstructure

Réseau de neurones convolutionnel

Ebsd

Microstructure

Convolutional neural network

Résumé

Le machine learning (ML, apprentissage automatique) est idéal pour traiter de grandes quantités de données, mais les données d'orientation cristalline issues de l'EBSD font exception. L'EBSD est une technique de microscopie très répandue dans l'industrie qui faute d'architectures dédiées se prête mal au ML. Dans la métallurgie, elle est utile en contrôle qualité et aide au développement de nouveaux produits pour alléger les structures et/ou de diminuer les émissions directes de CO2. L'objectif de la thèse est de développer des architectures de ML pour traiter les données EBSD en 2D et 3D.

Machine learning (ML) is ideal for processing large datasets, but crystal orientation data from EBSD is an exception. EBSD is a microscopy technique widely used in industry, but lacking dedicated architectures, it lends itself poorly to ML. In metallurgy, it is useful for quality control and helps in the development of new products to lighten structures and/or reduce direct CO2 emissions. The aim of this thesis is to develop ML architectures for processing 2D and 3D EBSD data.