深度学习辅助超声纵波响应预测多晶材料平均晶粒尺寸

本研究针对多晶材料平均晶粒尺寸无损检测的难题，提出了一种结合超声纵波响应与1D-CNN（一维卷积神经网络）回归模型的新方法。通过有限元模拟和实验构建包含1155组数据的数据库，模型实现了6.24%的平均相对误差（ARE），为工业级材料表征提供了自动化解决方案。

　　

晶粒尺寸检测的困境与突破
多晶材料的性能高度依赖其平均晶粒尺寸（mean grain size），传统检测方法如光学显微镜（OM）和电子背散射衍射（EBSD）需破坏样品且耗时。尽管超声检测能通过声波散射特性间接反映晶粒尺寸，但传统统计方法依赖人工特征提取，效率低下。如何实现快速、无损且精准的晶粒尺寸预测，成为材料科学领域的重大挑战。

印度理工学院的研究团队在《Mechanics of Materials》发表研究，创新性地将深度学习与超声技术结合。通过有限元（FE）模拟生成8种晶粒尺寸（150-500μm）的微观结构，辅以实验验证（20/67/107μm样本），构建了包含1155组数据的混合数据库。开发的1D-CNN回归模型直接处理原始超声信号，最终实现6.24%的平均相对误差，为工业检测提供了新范式。

关键技术方法
研究采用三阶段技术路线：1）通过Neper软件生成Voronoi晶粒结构，利用ANSYS-APDL进行FE模拟；2）实验使用汉宁窗调幅脉冲（Hanning tone burst）激发超声纵波，压电晶片（PZT）采集Inconel-600样本响应；3）构建含卷积层和Huber损失的1D-CNN，80%数据训练，20%测试。

研究结果
多晶微观结构建模
通过Voronoi镶嵌生成不同晶粒尺寸的虚拟样本，FE模拟揭示超声衰减与晶界散射的定量关系，为数据库奠定理论基础。

实验研究
退火处理的Inconel-600样本经OM验证晶粒尺寸，实验数据与模拟结果趋势一致，证实FE模型可靠性。多频段、多位置采集策略增强了数据多样性。

深度学习模型
1D-CNN自动提取时域特征，跳过传统手动特征工程。测试集预测表明，模型对20-500μm范围的晶粒尺寸具有普适性，ARE优于传统方法。

结论与展望
该研究首次实现基于原始超声信号的端到端晶粒尺寸预测，解决了传统方法依赖专家经验的核心痛点。模型在工业检测场景中展现巨大潜力，未来可通过迁移学习拓展至其他合金体系。致谢部分提到研究依托印度国家超算使命（NSM）的PARAM Shakti超算平台完成，凸显计算驱动的新研究范式。