In den Materialwissenschaften läuten Künstliche-Intelligenz Methoden einen Paradigmenwechsel in Richtung Big-data zentrierter Forschung ein. Datenbanken mit Millionen von Einträgen, sowie hochauflösende Experimente, z.B. Elektronenmikroskopie, enthalten eine Fülle wachsender Information. Um diese ungenützten, wertvollen Daten für die Entdeckung verborgener Muster und Physik zu nutzen, müssen automatische analytische Methoden entwickelt werden. Die Kristallstruktur-Klassifizierung ist essentiell für die Charakterisierung eines Materials. Vorhandene Daten bieten vielfältige atomare Strukturen, enthalten jedoch oft Defekte und sind unvollständig. Eine geeignete Methode sollte diesbezüglich robust sein und gleichzeitig viele Systeme klassifizieren können, was für verfügbare Methoden nicht zutrifft. In dieser Arbeit entwickeln wir ARISE, eine Methode, die auf Bayesian deep learning basiert und mehr als 100 Strukturklassen robust und ohne festzulegende Schwellwerte klassifiziert. Die einfach erweiterbare Strukturauswahl ist breit gefächert und umfasst nicht nur Bulk-, sondern auch zwei- und ein-dimensionale Systeme. Für die lokale Untersuchung von großen, polykristallinen Systemen, führen wir die strided pattern matching Methode ein. Obwohl nur auf perfekte Strukturen trainiert, kann ARISE stark gestörte mono- und polykristalline Systeme synthetischen als auch experimentellen Ursprungs charakterisieren. Das Model basiert auf Bayesian deep learning und ist somit probabilistisch, was die systematische Berechnung von Unsicherheiten erlaubt, welche mit der Kristallordnung von metallischen Nanopartikeln in Elektronentomographie-Experimenten korrelieren. Die Anwendung von unüberwachtem Lernen auf interne Darstellungen des neuronalen Netzes enthüllt Korngrenzen und nicht ersichtliche Regionen, die über interpretierbare geometrische Eigenschaften verknüpft sind. Diese Arbeit ermöglicht die Analyse atomarer Strukturen mit starken Rauschquellen auf bisher nicht mögliche Weise. / In materials science, artificial-intelligence tools are driving a paradigm shift towards big data-centric research. Large computational databases with millions of entries and high-resolution experiments such as electron microscopy contain large and growing amount of information. To leverage this under-utilized - yet very valuable - data, automatic analytical methods need to be developed. The classification of the crystal structure of a material is essential for its characterization. The available data is structurally diverse but often defective and incomplete. A suitable method should therefore be robust with respect to sources of inaccuracy, while being able to treat multiple systems. Available methods do not fulfill both criteria at the same time. In this work, we introduce ARISE, a Bayesian-deep-learning based framework that can treat more than 100 structural classes in robust fashion, without any predefined threshold. The selection of structural classes, which can be easily extended on demand, encompasses a wide range of materials, in particular, not only bulk but also two- and one-dimensional systems. For the local study of large, polycrystalline samples, we extend ARISE by introducing so-called strided pattern matching. While being trained on ideal structures only, ARISE correctly characterizes strongly perturbed single- and polycrystalline systems, from both synthetic and experimental resources. The probabilistic nature of the Bayesian-deep-learning model allows to obtain principled uncertainty estimates which are found to be correlated with crystalline order of metallic nanoparticles in electron-tomography experiments. Applying unsupervised learning to the internal neural-network representations reveals grain boundaries and (unapparent) structural regions sharing easily interpretable geometrical properties. This work enables the hitherto hindered analysis of noisy atomic structural data.

This Master's thesis is part of the Hydrogen Embrittlement in Rolling element bearings project (HERo) initiated at Luleå University of Technology (LTU), with the primary objective of determining critical hydrogen concentrations in bearing steel for rolling element bearings. The specific aim of this Master's thesis is to design a test rig that enables the investigation of the effects of hydrogen embrittlement on rolling element bearings under load. The design process focused on ease of manufacture and assembly. The developed test rig includes an electric motor, a pneumatic load application mechanism, and an electrochemical cell. Using the leverage principle, a thrust roller bearing is loaded vertically, while it is driven by an electric motor that is connected to the bearing with a tyre coupling. The electrochemical cell, which consists of a reference electrode, counter electrode, and the test bearing as the working electrode, is used to charge the test bearing with hydrogen. The cell was designed to be easily accessible between tests to facilitate the change of thrust roller bearings. The test bench enables the analysis of rolling element bearings that are exposed to simultaneous hydrogen embrittlement and realistic operating conditions. / Detta examensarbete är en del av Hydrogen Embrittlement in Rolling element bearings-projektet (HERo) som pågår vid Luleå tekniska universitet (LTU), med huvudmålet att bestämma de kritiska vätekoncentrationerna i lagerstål för rullningslager. Det specifika målet med detta examensarbete är att konstruera en testrigg för att direkt undersöka effekten av väteförsprödning av lager i en simulerad verklig tillämpning. Designprocessen fokuserade på enkel tillverkning och montering.  Den utvecklade testriggen inkluderar en elmotor, en pneumatisk lastpåläggnings-mekanism och en elektrokemisk cell. Med hjälp av hävstångsprincipen belastas ett axiellt rullager vertikalt, medan det drivs av en elmotor via en däckkoppling. Den elektrokemiska cellen, som består av en referenselektrod, motelektrod och testlagret som arbetselektrod, används för att införa väte i lagret. Cellen har konstruerats på ett sätt som underlättar byte av testlager mellan testerna.  Testriggen skapar därmed möjligheten att analysera rullningslager som utsätts för väteförsprödning under realistiska driftförhållanden. / Diese Masterarbeit ist Teil des Hydrogen Embrittlement in Rolling element bearings-Projekts (HERo), das an der Technischen Universität Luleå (LTU) initiiert wurde, mit dem primären Ziel, kritische Wasserstoffkonzentrationen für Lageranwendungen zu bestimmen. Das spezifische Ziel dieser Masterarbeit ist es, einen Prüfstand zu konstruieren, um die Auswirkungen von Wasserstoffversprödung auf Rollenlager im Belastungszustand zu untersuchen. Der Schwerpunkt des Designprozesses lag darauf, eine einfache Fertigung und Montage des Prüfstandes zu gewährleisten.  Der entwickelte Prüfstand umfasst einen Motor, einen Mechanismus zur Lastaufbringung und eine elektrochemische Zelle. Mithilfe des Hebelgesetzes wird das Testlager vertikal belastet, während es mithilfe eines Elektromotors und einer Reifenkupplung angetrieben wird. Die elektrochemische Zelle, bestehend aus Referenzelektrode, Gegenelektrode, und dem Testlager als Arbeitselektrode, dient dazu, Wasserstoff in das Testlager einzubringen. In ihrem Design wurde darauf geachtet, dass sie zwischen den Tests leicht zugänglich ist, um den Austausch der Testproben zu erleichtern. Der Prüfstand ermöglicht somit die Analyse von Rollenlagern, die sowohl Wasserstoffversprödung als auch realistischen Betriebsbedingungen ausgesetzt sind.