Na prvním ročníku workshopu Molten Salts and Corrosion in Extreme Environments, který se konal letos v březnu ve španělském Lanzarote, vědci představili výsledky výzkumu zaměřeného na automatizované vyhodnocování snímků aluminidových difuzních povlaků pořízených rastrovacím elektronovým mikroskopem (SEM).
Aby získali dostatek kvalitních dat pro strojové učení, využívají výzkumníci pro rozšíření dat generování syntetických snímků pomocí softwaru Blender 3D. Tyto syntetické snímky spolu s ověřenými daty slouží k tréninku modelu hlubokého učení pro segmentaci SEM snímků založeného na architektuře U-Net, který umožňuje rozpoznávat specifické parametry povlaku. Model se následně aplikuje na hodnocení SEM snímků difuzních povlaků vyrobených ze tří různých směsí suspenzí.
Výsledky výzkumu jsou publikovány v článku Segmentation and Metallographic Evaluation of Aluminium Slurry Coatings Using Machine Learning Techniques v časopise High Temperature Corrosion of Metals.
Na 51. mezinárodní konferenci International Conference on Metallurgical Coatings and Thin Films (ICMCTF 2025), která se konala v květnu v San Diegu, představili vědci výsledky svého společného výzkumu, který využívá strojové učení k hodnocení provozního stárnutí a životnosti aluminidových difuzních vysokoteplotně korozivzdorných povlaků. Studie zkoumá potenciál strojového učení při predikci časově závislého chování klíčových parametrů povlakového systému. Publikace detailně popisující tyto poznatky se v současné době připravuje k odeslání do vědeckého časopisu.