通过匹配组成颗粒尺寸制备的CrCoNi-Al分层层状复合材料中的强度-韧性协同效应

《Materials Characterization》：Strength-toughness synergy in CrCoNi-Al hierarchical lamellar composites rendered by constituent grain size matching

激光粉末床熔融（L-PBF）部件的体积缺陷检测与尺寸估算研究，评估了Otsu、Triangle和U-Net三种分割方法在XCT扫描中的性能，结合机器学习算法优化缺陷交互判断，并采用3D凸包方法提升尺寸准确性，特别是在疲劳关键缺陷的检测率（PoD）和尺寸误差方面显著优于传统方法。

　　激光粉末床熔融（L-PBF）技术在航空航天和生物医学等关键安全领域中应用广泛，但其制造的部件中往往存在体积缺陷，这些缺陷会显著影响材料的疲劳性能。X射线计算机断层扫描（XCT）作为一种非破坏性检测（NDE）技术，能够提供高分辨率的三维数据，但其检测效果受限于物理分辨率和图像数据的后处理过程，如图像分割。为了评估不同分割方法对缺陷检测和尺寸估计的影响，本研究通过分析不同体积像素（voxel）大小的XCT扫描结果，评估了Otsu、Triangle和U-Net三种分割方法的检测概率（PoD）和尺寸误差。同时，引入了一种机器学习（ML）算法，用于判断缺陷之间的相互作用，以解决分辨率导致的缺陷碎片化问题。此外，还采用了3D凸包方法来重构碎片化缺陷的尺寸，从而提高尺寸估计的准确性。

在材料选择方面，研究使用了广泛应用于航空和航天领域的AlSi10Mg合金。通过调整制造参数，如激光功率、速度、扫描间距和层厚，制造了具有不同体积缺陷的试样。试样被设计为标准单轴疲劳试件，其标称直径为5毫米，标称长度为10毫米，并依据ASTM E466标准进行疲劳测试。测试采用MTS Bionix Tabletop系统，以10赫兹频率和R=0.1的应力比进行循环加载。同时，使用扫描电子显微镜（SEM）对断裂表面进行分析，以确定裂纹起始点和关键缺陷特征。

XCT扫描采用了三种不同的体积像素大小：6微米、10微米和20微米。在每种体积像素下，扫描了试件的标称区域，即直径5毫米、长度10毫米的部分，总扫描体积为196立方毫米。每个扫描包含1601个投影，以保持35-36%的透射率，从而在缺陷对比度和扫描时间之间取得平衡。原始XCT数据通过ZEISS软件进行重建，随后使用Dragonfly 3D和MATLAB进行后处理。为了减少体积缺陷因噪声造成的误判，设置最小缺陷体积为8个体积像素。通过人工神经网络（ANN）对数据进行分类，缺陷被分为缺乏融合（LoF）、气泡（GEP）和匙孔（KH）类型。特征选择遵循Poudel等提出的方法，训练准确率达到99.5%。

研究对三种分割方法进行了比较：Otsu、Triangle和U-Net。Otsu分割方法依赖于全局阈值，容易受到体积像素强度变化的影响，如由X射线束硬化引起的差异。Triangle方法基于Zack提出的三角形阈值，而U-Net方法则是一种深度学习模型，通过训练提高检测精度并减少人为偏见。为了评估分割方法对检测和尺寸估计的影响，研究分析了不同体积像素下三种方法的检测概率和尺寸误差。结果显示，Otsu方法在较大体积像素下常常低估缺陷尺寸并遗漏关键缺陷，而Triangle和U-Net方法，特别是结合机器学习的相互作用判断，提高了检测概率并减少了尺寸误差。

研究还引入了一种基于3D凸包的重构方法，以更精确地估计碎片化缺陷的尺寸。该方法相比传统的边界框方法或基于投影面积的组合方法，能够更紧密地包裹实际缺陷尺寸，减少尺寸高估并提供更可靠的一致性尺寸估计。此外，研究探讨了机器学习在缺陷相互作用判断中的应用，分析了不同体积像素和分割方法下缺陷相互作用的判断效果。结果显示，基于ANN的相互作用判断方法显著降低了误判率，尤其是在10微米体积像素下，相比传统的Murakami规则，其误判率降低了约80%。这种方法能够更准确地识别碎片化但物理连接的缺陷实体，并将它们重建为单一缺陷。

为了进一步验证这些方法的效果，研究对不同体积像素下的缺陷尺寸进行了系统比较，分析了它们与SEM实际尺寸之间的误差。结果显示，Otsu方法在较大体积像素下表现最差，而Triangle和U-Net方法在不同体积像素下均表现出更好的检测和尺寸估计能力。特别是U-Net方法，在20微米体积像素下，其平均误差接近零，而Triangle方法虽然在尺寸估计上表现出较高的稳定性，但仍然存在一定的误判率。这些结果表明，采用机器学习方法进行缺陷相互作用判断和尺寸估计，能够显著提高XCT在检测和评估L-PBF部件中关键缺陷方面的可靠性。

综上所述，本研究系统地评估了XCT分辨率、分割方法和缺陷相互作用规则对体积缺陷检测概率和定量尺寸估计的影响。研究结果表明，传统的基于阈值的分割方法在较大体积像素下表现不佳，而结合机器学习的相互作用判断方法能够有效提高检测概率并减少尺寸误差。3D凸包方法则提供了一种更精确的尺寸估计方式，使得碎片化缺陷的尺寸能够更准确地被评估。这些发现对于提高L-PBF部件在关键安全应用中的可靠性具有重要意义，也为未来在该领域的进一步研究提供了理论基础和技术支持。