An der Schnittstelle zwischen traditioneller Metallographie und dem aufstrebenden Gebiet der digitalen Materialanalyse hat uns das konsequente Etablieren korrelativer Mikroskopieansätze und KI-basierter Segmentierungen einen gänzlich neuen Werkzeugkasten geliefert, der neue Möglichkeiten der objektiven, reproduzierbaren und automatisierten Gefügeanalyse bietet. Dadurch können große Datensätze, denen eine systematische Variation der Herstellparameter zugrunde liegt, präzise, reproduzierbar und effizient analysiert werden. Korrelative Informationen aus Lichtmikroskopie, Rasterelektronenmikroskopie und Elektronenrückstreubeugung bilden die Grundwahrheit für das Training von Machine Learning Modellen für High-Throughput-Charakterisierung und ermöglichen eine skalenübergreifende Quantifizierung in vorher unerreichbarem Detailgrad. Zur Auswertung solcher Datenmengen können wiederum Data Science- und KI-Methoden genutzt werden, um Korrelationen zwischen Gefügemerkmalen, Herstellungsparametern und Werkstoffeigenschaften systematisch zu untersuchen.

Ermöglicht wird eine Modellierung von Phasenumwandlungen und Prozess-Gefüge-Korrelationen komplexer Stahlgefüge, bei denen konventionelle deterministische oder thermodynamische Modelle nicht mehr realisierbar sind. Zunächst wird der methodische Ablauf der Datenerzeugung mit Hilfe korrelativer Mikroskopie und KI-basierter Gefügeanalyse dargestellt. Aus dieser ganzheitlichen, quantitativen Gefügecharakterisierung wird mittels Methoden der Data Science systematisch nach Zusammenhängen zwischen Gefügestrukturen vor und nach Phasenumwandlung, sowie Prozessparametern gesucht. Diese Zusammenhänge stellen die Grundlage dar, um perspektivisch gefügebasierte Machine Learning-Modelle trainieren zu können, die die Vorhersage von Phasenumwandlungen und resultierenden Gefügearten und -anteilen ermöglichen, was wiederum den Grundstein für Prozess-Gefüge-Eigenschafts-Korrelationen in bisher nicht möglichem Detailgrad legt.