一种用于预测中子辐照复合材料弹性特性的多尺度仿真方法

《Journal of Nuclear Materials》：A Multiscale Simulation Methodology for Predicting Elastic Properties of Neutron-Irradiated Composites

钨等离子体 facing components (PFCs)的微观结构在极端热力学条件下易发生裂纹和孔隙演变，传统实验数据获取成本高且覆盖不全。本研究提出基于条件式生成对抗网络（c-StyleGAN2-ADA）的合成数据生成框架，通过3200张256×256灰度SEM图像的预处理（裁剪、旋转扩展），结合热流密度（HF）和基底温度（T）的物理条件约束，实现了高保真度钨微观结构的合成。实验表明，改进的c-StyleGAN2-ADA模型在Fréchet距离（FID=46）、Kolmogorov-Smirnov检验（KS统计量匹配度>0.92）和地球移动距离（EMD=0.18）等物理感知指标上显著优于基础c-GAN模型（FID=280）。该工作为聚变材料的多尺度性能预测提供了可扩展的合成数据集和验证范式。

　　

R. Juneja | M. Wirtz | J.W. Coenen | J. Rapp | E.A. Unterberg

美国田纳西州橡树岭国家实验室聚变能源部门

摘要

在磁聚变装置中，聚变材料必须能够承受极端的负载条件。钨仍然是主要的等离子体面对组件（PFC）材料，然而控制其在恶劣条件下退化的微观结构变化（包括裂纹形成、孔隙演变和热疲劳）仍然难以在大规模上进行表征。我们开发了一种数据高效的生产工作流程，用于合成真实的钨的扫描电子显微镜（SEM）微观结构，以进行物理感知的数据增强和在聚变相关环境条件下的快速假设测试。从3200张通过电子束（e-beam）热流暴露研究获得的钨的SEM图像开始，我们将每张图像分割成固定的256 × 256灰度块，并训练了两个模型：一个基线模型条件生成对抗网络（c-GAN）和一个基于风格的模型条件StyleGAN2结合自适应判别器增强（c-StyleGAN2-ADA）。后者在训练过程中调整增强强度，非常适合小数据量情况。通过物理感知的验证套件来评估其保真度：(i) 通过Fréchet Inception Distance（FID）和Kernel Inception Distance（KID）比较图像与真实SEM的分布相似性；(ii) 通过经典图像分析得出的晶粒尺寸统计以及通过Kolmogorov-Smirnov（KS）和Earth Mover’s Distance（EMD）比较晶粒面积统计来评估微观结构的真实性；(iii) 使用最近邻搜索和Learned Perceptual Image Patch Similarity（LPIPS）进行抗记忆化筛查。值得注意的是，我们训练的c-StyleGAN2-ADA生成器再现了与真实数据非常接近的晶粒尺寸分布，同时保持了多样性并避免了简单的复制，在感知和物理感知指标上均优于c-GAN。这种方法可以根据需求生成物理上合理的微观结构，并为PFC设计提供了多尺度退化模型、不确定性分析和“虚拟实验”的基础，尤其是在直接测量数据稀缺的情况下。

引言

聚变材料在聚变反应堆内部会受到极端的环境条件的影响，因此需要非常坚固和有弹性的材料组件。由于其超高的熔点、高温强度和低溅射率，钨是主要的等离子体面对组件（PFC）材料[[1], [2], [3]]。然而，在操作过程中，组件的寿命不仅取决于其整体性能，还取决于在热流、热循环/冲击和辐照等极端条件下的微观结构演变。根据暴露历史，钨可能会发生再结晶和晶粒生长、孔隙形成和合并以及晶界处的裂纹形成——这些过程会降低韧性并导致热疲劳和热冲击下的脆化[[4], [5], [6], [7], [8], [9]]。因此，为了实现组件的稳健性能、寿命预测、工艺验证和按设计选材的工作流程，需要跨相关暴露范围（例如热流和温度）的定量、条件感知的微观结构数据。

扫描电子显微镜（SEM）是探测这些微观结构的自然工具。然而，组装足够大且标注良好的SEM数据集既昂贵又在物流上具有挑战性。此外，不同设施、放大倍数和表面处理方式会导致图像统计数据的差异；元数据和标签往往不完整；而且对暴露范围的覆盖通常也不充分。因此，下游分析可能缺乏统计能力，基于学习的模型容易过拟合和泛化能力差，特别是对于罕见或过渡性的微观结构。此外，不同的微观结构在负载条件下会对应不同的损伤模式。例如，对于相同的钨样品，沿电子束（e-beam）方向排列的晶粒微观结构与横向晶粒微观结构相比，表现出非常不同的裂纹形成路径和热疲劳响应[5]。因此，表征微观结构特征如何随暴露条件演变对于将观察到的退化与操作环境联系起来至关重要。仅依靠实验很难以足够的密度映射这个高维特征空间。

数据驱动的方法提供了一种补充途径。机器学习（ML）方法现在广泛应用于科学和工程领域，用于模式发现、预测和设计[[10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22]]。在图像处理方面，生成对抗方法在生成真实的合成图像方面具有竞争优势，从而可以增强稀缺的数据集[[23], [24], [25], [26], [27]]。在显微镜学中，这些技术能够预测形态、针对性地探索罕见情况，并直接从图像构建微观结构与性能之间的关系，以服务于设计目标[[28], [29]]。在这里，我们利用这一能力，根据暴露变量生成物理上合理的钨SEM微观结构，并通过明确的物理感知验证来确保合成的分布与实验观察到的晶粒统计保持一致。

更具体地说，我们开发了一个物理感知的生成建模框架，用于合成涵盖热流和基温负载条件的真实、带标签的钨微观结构，填补了实验设计空间中的空白。生成模型不是手动创建特征，而是学习SEM显微图的实证分布，并能够合成（i）在代表性不足的条件下进行补充的微观结构，（ii）支持受控研究，以及（iii）支持下游任务，如替代建模和逆向设计。实际中的主要挑战是小数据量问题：当只有几千张训练图像时，传统的生成对抗网络（GAN）容易过拟合。基于风格的GAN架构（StyleGAN2）结合自适应判别器增强（ADA）通过动态调整增强强度来解决这一问题，抑制了判别器的过拟合，并在数据有限的情况下稳定了训练[[30], [31], [32], [33]]。对于材料显微图来说，增强操作还必须尊重物理规律：翻转、旋转、平移和重新缩放必须保持晶粒拓扑和孔隙形态。

在这里，我们从无标题的纯钨SEM图像开始从头训练了两个模型：(i) 一个物理感知的基线c-GAN，以及(ii) c-StyleGAN2-ADA。条件化使用了两个具有物理意义的变量——表面热流（HF）和基温（T）——来指导样本的采集。SEM显微图是在德国JUDITH设施进行的电子束热加载实验中获得的[5]。表征PFC在反应堆相关条件下的热响应对于确保其在操作中的可靠和安全性能至关重要。聚变反应堆中热流的频繁波动会导致大的热梯度。结果，在晶界处会产生与微观结构（如晶粒尺寸、各向异性、纹理以及空洞/杂质的存在）不匹配的拉伸应力。这些场会促进PFC的热机械退化，包括在循环或冲击加载下的裂纹形成和生长[4,[7], [8], [9],[34], [35], [36], [37], [38]]。理解PFC中的这些损伤机制激发了条件感知的合成方法。

我们从8张高分辨率的10微米尺度的纯钨SEM显微图开始，移除了标题栏，提取了带有旋转扩展的256 × 256灰度块，并将每个块与其（HF, T）标签从实验元数据中关联起来。这种预处理产生了3200张干净、带标签的训练图像用于机器学习。我们在推理时采用了截断（$\Psi$）来平衡样本多样性和清晰度，通过交叉检查图像质量和物理指标来选择$\Psi$