The Origin of the Double Hardness Peak in an Al-Mg-Si-Cu Alloy: A Machine Learning Approach to Automated Precipitate Statistics

Abstract

Companies seek to tailor the macroscopic properties of aluminium alloys, and in order to connect these to the thermomechanical treatment and initial composition of the alloys, the precipitates must be examined. The quantification of precipitate statistics has traditionally demanded extensive manual labour. However, with the appearance of deep learning computer vision algorithms, a new paradigm is on the horizon for material science.

This thesis aimed to determine the microstructural origin of the double hardness peak in an age-hardenable Al-Mg-Si-Cu alloy and examine two deep-learning algorithms for the purpose of automatic precipitate statistics extraction. Due to the precipitate sizes being in the order of 10 nm, a transmission electron microscope with its high resolving power was used to study them. We compared the precipitate size, density and type present in two alloys: one with 0.75wt% Cu (A45) and one without (A42), which were artificially aged (AA) for 2h, 4h, 10h and 16h. In addition, we created machine learning models, based on the U-Net and Mask R-CNN deep-learning architectures to automatically extract precipitate statistics from twelve unique datasets.

The results showed a 55% drop in density between the 4h and 10h conditions in the A45 alloy and a 34% drop for A42. For A45, the precipitate lengths grew more between 10h and 16h than in the previous conditions. However, for A42, the lengths level off. This suggests that copper contributes to the dissolution of β′′-phase and introduces temperature-resilient phases with a high growth rate in the over-aged condition. One such phase is the L-phase, which was larger than the average precipitates in A45, al- lowing for more effective pinning of dislocation motions, and is likely the origin of the double hardness peak.

For the automatic extraction of precipitate statistics, the Mask R-CNN architecture was advantageous compared to the U-Net due to its integrated objectness filtering, which removed noise and increased the reliability of detections. The Mask R-CNN exhibited a maximum deviation from the manual measurements of 16% for the cross- sections and 29% for the lengths. In general, the machine learning models are very promising and provide similar results to the manually measured data, while prediction ∼200 times faster.

Bedrifter ønsker å skreddersy egenskapene til aluminiumslegeringer, og for å koble de makroskopiske egenskapene til den termomekaniske behandlingen og legerings- sammensetningen må presipitatene undersøkes. Kvantifisering av presipitatstatistikk har tradisjonelt krevd omfattende manuelt arbeid, men grunnet nye fremskritt innen dyplæringsalgoritmer, er vi på vei inn i et nytt paradigme for materialvitenskap.

Hovedmålet i denne oppgaven er å finne årsaken til dobbel hardhetstoppen i en ut- herdbar Al-Mg-Si-Cu legering, samt undersøke to dyplæringsalgoritmer for automatisk måling av presipitatstatistikk. Ettersom presipitatene var av størrelsesorden 10 nm, ble et transmisjonselektronmikroskop brukt til å studere dem. Vi sammenlignet presipit- atstørrelsen, tettheten, og typen i to legeringer: en med 0.75 wt% Cu (A45) og en uten (A42), som ble kunstig eldet i 2t, 4t, 10t og 16t. I tillegg laget vi maskinlæringsmod- eller basert på U-Net og Mask R-CNN dyplæringsarkitekturer for automatisk måling av presipitatstatistikk fra tolv unike datasett.

Resultatene viste et 55% fall i tetthet mellom 4t og 10t i A45 legeringen, og et 34% fall for A42. For A45 økte presipitatlengdene mer mellom 10t og 16t, enn mellom de andre aldringstidene. For A42 jevner imidlertid lengdene seg ut. Dette antyder at kobber bidrar til oppløsningen av β′′-fasen og introduserer temperaturrobuste faser som øker i veksthastighet i overeldet tilstand. En slik fase er L-fasen, som var større enn de gjennomsnittlige presipitatene i A45, hvilket tillater mer effektiv forhindring av dislokasjonsbevegelser, og sannsynligvis er opprinnelsen til den doble hardhetstoppen.

For automatisk måling av presipitatstatistikk viste Mask R-CNN-arkitekturen seg å være fordelaktig sammenlignet med U-Net p˚a grunn av dens integrerte objekthets- filtrering, som fjernet støy og økte påliteligheten til deteksjoner. Mask R-CNN viste et maksimalt avvik på 16% for tverrsnittene og 29% for lengdene, fra de manuelle målingene. Generelt er maskinlæringsmodellene veldig lovende og gir lignende res- ultater som de manuelt målte dataene, men ca. 200 ganger raskere.