Amélioration de l'analyse microstructurale des matériaux d'ingénierie : Intégration de l'apprentissage machine aux données d'imagerie par diffraction des rayons X

Advancing Microstructural Analysis of Engineering Materials: Integrating Machine Learning with X-ray Diffraction Imaging Data

• Auteur / Autrice : Abderrahmane Benhadjira
• Direction : Vincent Favre-nicolin
• Type : Projet de thèse
• Discipline(s) : Physique de la Matière Condensée et du Rayonnement
• Date : Inscription en doctorat le 02/04/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale physique
• Partenaire(s) de recherche : Laboratoire : European Synchrotron Radiation Facility

Mots clés

Mots clés libres

Apprentissage machine

Imagerie par microscopie des rayons X en champ sombre

Rayonnement synchrotron

Machine Learning

Dark Field X-ray Microscopy

Synchrotron Radiation

Résumé

Cette thèse de doctorat se concentre sur un projet collaboratif avec la ligne de faisceau ID03 et le groupe d'Algorithmes et d'Analyse de Données Scientifiques (ADA) à l'Installation Européenne de Rayonnement Synchrotron (ESRF). Elle vise à révolutionner l'étude de la microstructure et de la texture des matériaux d'ingénierie en utilisant des techniques avancées d'apprentissage automatique (AA). Les matériaux d'ingénierie subissent des transformations complexes sous déformation plastique, principalement en raison de l'accumulation et de l'organisation des dislocations en structures tridimensionnelles telles que les limites de grains et de sous-grains, conduisant au durcissement par déformation. Cette thèse utilise les capacités de la ligne de faisceau ID03, qui emploie la Microscopie à Rayons X en Champ Sombre (DFXM) pour l'analyse in situ et en 3D de ces microstructures avec une haute résolution spatiale. L'objectif principal de cette recherche est d'automatiser l'analyse des données DFXM, un besoin critique compte tenu du volume et de la complexité des données générées. Les objectifs principaux incluent : 1) la segmentation des cartes d'orientation 3D en cellules et sous-grains, 2) la classification des limites entre ces structures basée sur l'orientation, le changement à travers les limites et la taille des cellules, et 3) la mise en place et l'évaluation de divers modèles d'AA pour ces tâches. Cette automatisation devrait rendre le DFXM plus accessible aux utilisateurs non-experts, élargissant ainsi son application dans la recherche scientifique et l'industrie. La contribution de la thèse réside dans l'amélioration des flux de travail d'analyse des données en DFXM grâce à l'AA, ce qui est essentiel étant donné les téraoctets de données et plus de 100 000 images brutes par expérience de cette technique. Cette recherche fait non seulement progresser le domaine des sciences des matériaux, mais démontre également le potentiel de l'AA dans la gestion de données scientifiques à grande échelle. Elle représente une étape significative vers la démocratisation de l'analyse scientifique complexe, en faisant un outil précieux pour les applications académiques et industrielles.

This PhD thesis focuses on a collaborative project with the ID03 beamline and the Algorithms & Scientific Data Analysis (ADA) group at the European Synchrotron Radiation Facility (ESRF). It aims to revolutionize the study of engineering materials' microstructure and texture using advanced machine learning (ML) techniques. Engineering materials undergo complex transformations under plastic deformation, primarily due to the accumulation and organization of dislocations into three-dimensional structures like grain and subgrain boundaries, leading to work-hardening. This thesis utilizes the capabilities of Beamline ID03, which employs Dark Field X-ray Microscopy (DFXM) for in-situ and 3D analysis of these microstructures with high spatial resolution. The central aim of this research is to automate the analysis of DFXM data, a critical need given the volume and complexity of the data generated. The primary objectives include: 1) segmenting 3D orientation maps into cells and subgrains, 2) classifying boundaries between these structures based on orientation, change across boundaries, and cell size, and 3) setting up and evaluating various ML models for these tasks. This automation is expected to make DFXM more accessible to non-expert users, thereby widening its application in scientific research and industry. The thesis's contribution lies in enhancing data analysis workflows in DFXM through ML, which is pivotal given the technique's terabytes of data and over 100,000 raw images per experiment. This research not only advances the field of material science but also demonstrates the potential of ML in managing large-scale scientific data. It represents a significant step towards the democratization of complex scientific analysis, making it a valuable tool for both academic and industrial applications.