基于光学腐蚀印痕与暴露表面形貌预测AZ31隐藏体积损失的U-Net方法

《Advanced Intelligent Discovery》：U-Net-Based Prediction of Concealed Volume Loss in AZ31 From Optical Corrosion Imprints and As-Exposed Surface Topography

　　

针对镁合金AZ31，采用多孔暴露方案进行小有机分子作为溶解调节剂的高通量筛选，共获得842张单个腐蚀印痕图像，而轮廓测量评估构成了主要瓶颈。此外，暴露期间形成的腐蚀产物掩盖了下方表面形貌，需要在测定体积损失之前使用有害铬酸将其去除。在本研究中，直接从AZ31腐蚀印痕的暴露后状态预测了其隐藏的体积损失。为此，训练了一个基于U-Net的回归模型，该模型使用四通道输入，包括暴露后印痕的RGB图像和相应的表面形貌。清洁后获取的轮廓深度图用作实验真实标签，并通过交叉验证评估了模型对未见调节剂的泛化能力。所提出的方法为无需事先去除腐蚀产物即可定量估计腐蚀体积损失和抑制效率奠定了基础，为高通量腐蚀调节剂筛选提供了更快、更安全且更具可扩展性的工作流程。

研究背景与现存问题

镁及其合金因其低密度和高比强度而在能源、生物医学和交通运输等领域具有广阔应用前景，但其高电化学反应活性使其在水性和潮湿环境中极易发生腐蚀，限制了实际应用。利用小有机分子作为溶解调节剂来缓解镁降解是一种有效策略，这类分子可通过影响表面膜的形成与稳定性或改变局部电化学过程来调控腐蚀行为。然而，鉴定有效的溶解调节剂是一项繁琐的任务，因为可用有机化合物的化学空间几乎是无限的，且腐蚀性能取决于分子结构、合金成分、表面状态、浓度和暴露环境之间复杂的相互作用。传统纯实验策略耗时、费力且资源密集。

高通量实验为加速候选腐蚀调节剂的筛选提供了有吸引力的途径，例如多电极阵列、多材料池、多孔和多孔板暴露装置等并行化测试格式。然而，在这些方法中对腐蚀程度进行定量评估仍具挑战性，特别是当缺乏在每个暴露单元中单独记录的电化学腐蚀信号或析氢数据时。对于多孔板方法，传统的重量损失测量不切实际，因为孔掩模下方的材料通常是一个大型试样，无法独立称重，且暴露面积小，质量变化可能低于检测限。因此，需要替代的孔分辨方法来量化单个化合物的腐蚀响应。一种合理策略是基于实验结束后各孔底部的光学外观进行评估。

此前建立的高通量工作流程将多孔暴露实验与轮廓形貌分析相结合，用于镁合金AZ31，通过轮廓测量推导出由腐蚀引起的体积损失，并经验证与常规重量测量吻合良好，证明了该方法适用于快速筛选较大的溶解调节剂库。然而，轮廓数据的采集和处理仍然繁琐且耗时，构成了高通量筛选工作流程的主要瓶颈。这一瓶颈促使研究人员探索使用机器学习，从腐蚀产物去除前获取的数据中预测定量体积损失。虽然计算机视觉方法已被应用于腐蚀研究，特别是钢结构和管道的自动评估，但这些方法主要预测图像级类别、边界区域、状况评级或离散分割掩码，无法量化材料损失的深度或体积。因此，迫切需要一种能够直接从暴露后光学和形貌数据中预测定量体积损失的方法，以绕过耗时的清洗和后清洗轮廓测量步骤。

研究目标与结论

本研究旨在评估是否可以通过图像到图像的转换方法来近似单个腐蚀印痕的轮廓测量评估。研究人员训练了一个基于U-Net的回归模型，使用包含暴露后RGB光学图像和粗轮廓深度图的四通道输入，预测清洁后的高分辨率深度图，进而计算体积损失和对称化抑制效率。通过18折交叉验证，模型对175种不同调节剂进行了评估。结果表明，模型预测的平均绝对体积损失误差为0.100 mm³，排除三个主要异常值后降至0.074 mm³；平均绝对抑制效率误差为16.95%，排除异常值后为15.63%。这些预测误差与实验工作流程固有的测量不确定性相当。该研究的重要意义在于，它为无需使用有害铬酸清洗即可定量估计腐蚀体积损失和抑制效率奠定了基础，提供了一种更快、更安全且更具可扩展性的高通量腐蚀调节剂筛选工作流程。

关键技术方法

研究人员使用了Song等人先前生成的AZ31镁合金光学图像和轮廓形貌数据，数据集包含842个腐蚀孔，包括144个NaCl对照样品和698个代表175种不同有机腐蚀调节剂的样品。为实现像素级深度回归，研究人员在PyTorch和PyTorch-Lightning框架下实现了一个全卷积U-Net架构，该网络包含六个编码器和六个解码器阶段，并通过跳跃连接保留空间细节。模型接受四通道输入张量，包括归一化的RGB图像和粗轮廓深度图，输出单通道深度图。网络通过残差学习方式，从归一化输入深度图中预测残差映射，最终恢复物理深度值。模型权重使用Kaiming正态分布初始化，超参数通过Optuna工具进行优化。训练采用AdamW优化器，使用平均绝对误差损失函数，并在单个NVIDIA A100 GPU上进行800轮训练。为提高泛化能力，实施了随机裁剪、旋转、翻转以及亮度、对比度、饱和度和色调扰动等数据增强策略。

研究结果

2.1 数据表示、网络输出与对称化抑制效率

研究人员将预测的像素级深度值乘以物理像素面积得到像素级体积损失，再对所有像素求和得到每个样品的总体积损失ΔV。对称化抑制效率定义为基于NaCl对照样品中位体积损失的公式，其中100%对应完美抑制剂，-100%对应强促进剂。该指标为评估模型性能提供了中心度量标准。

2.2 交叉验证性能

通过18折交叉验证，所有175种调节剂均恰好出现在一次测试集中。预测值与真实值的对比显示，大多数调节剂的体积损失和抑制效率预测接近理想线。模型性能指标表明，排除三个主要异常值后，体积损失的R²达到0.888，均方根误差为0.106 mm³；抑制效率的R²为0.836，均方根误差为21.78%。值得注意的是，抑制效率的预测误差表现出异方差性，即负效率值（大体积损失）的预测误差系统性减小，这源于抑制效率定义中分母包含ΔV的数学特性。预测误差与实验工作流程中四个重复孔的标准偏差相当，证实模型在真实方法的精度范围内确定了体积损失和抑制效率。

2.3 异常值分析

2.3.1 负体积损失与基底升高：某些样品表现出负体积损失和超过100%的抑制效率，这源于镁孔制造中的微小缺陷结合基于求和的体积损失计算方式。当表面升高足够显著时，会在求和过程中主导净体积损失。尽管产生了物理上不合理的值，回归模型仍成功捕捉了这些基底升高特征，这得益于输入中已包含编码了基底升高的粗轮廓深度图。

2.3.2 预测异常值：两种调节剂显示出大的预测误差。第一种被严重低估的样品中，浅色腐蚀产物残留物覆盖大部分表面，模型未能完全抑制与这些残留物相关的升高，导致虚假正值进入求和并严重低估总体积损失。第二种被严重高估的样品中，暗色调节剂残留物被模型错误解释为实际材料损失，导致过度预测。这表明调节剂残留物的光学外观在预测准确性中起关键作用。

2.4 更稳健训练数据的路径

为消除非物理预测，未来实验应使用高度抛光的基底以避免基底升高导致的负体积损失，并相对于暴露前获取的基线深度图计算体积损失以隔离腐蚀引起的变化。纳入基线深度图还可通过监督信号教导模型抑制虚假正值。对于暗色残留物导致的误判，扩大训练数据集以包含更多此类样本可能有助于模型更好地区分这些特征与实际腐蚀损失。

2.5 局限性与适用范围

模型的适用性依赖于暴露后光学和形貌外观与清洁后腐蚀形态之间存在信息关系。连续均匀的光学着色是最具挑战性的情况，尤其是超出训练分布的暗色表面层。未来工作中，增加不确定性度量或离群程度量化指标将有助于识别可疑样本，这些样本可被标记进行传统验证，同时其余样本仍受益于加速工作流程。

总结与讨论

结论部分翻译：本研究表明，基于U-Net的回归模型可以直接从未经处理的AZ31镁样品光学图像结合暴露后表面形貌准确预测像素级腐蚀深度图，从而无需铬酸清洗即可直接计算抑制效率。在175种有机调节剂中，模型实现了0.1 mm³的平均绝对体积损失误差（含所有样品）和0.074 mm³（排除三个主要异常值后）。同样，平均绝对抑制效率误差分别为16.95%和15.63%。考虑到调节剂间体积损失的标准偏差为0.087 mm³，抑制效率的标准偏差为19.05%，模型的预测落在常规实验工作流程固有测量不确定度范围内。

当前方法受限于对基底形貌和腐蚀残留物光学外观的敏感性。两种调节剂因残留物的特定着色表现出较大预测误差，而基底升高偶尔产生不现实的负体积损失。未来工作将通过纳入基线深度图来隔离腐蚀引起的变化，从而有效缓解不现实预测和严重低估。值得注意的是，在所研究的175种调节剂中，仅三种表现出强烈预测误差，表明该工作流程在所用数据集代表的化学和实验域内对大多数样品是稳健的。

因此，所开发的回归模型可以从暴露后状态下获取的测量值推断出有关隐藏材料损失的有用信息。该方法通过快速计算推理加速分析并消除了有害铬酸清洗步骤，显著提高了高通量筛选中的实验室安全性。除了标量质量损失值外，形貌衍生的深度图还提供了更丰富的腐蚀行为描述，可实现孔特异性抑制效率计算以及按腐蚀形态和定位区分化合物。最终，该工作流程旨在朝着无需模型输入体积热图、直接从未腐蚀印痕光学图像推断腐蚀产物去除后体积损失的预测方案发展，共同建立一个更安全、更高效且完全自动化的大规模抑制效率筛选管线。