《Superconductivity》:Deep learning approach for defect identification and current distribution reconstruction in REBCO-coated conductors based on magnetic field mapping
编辑推荐:
高温超导(HTS)稀土钡铜氧化物(REBCO)涂层导体(CCs)因其高临界性能和优异的机械稳定性而被广泛应用于大规模应用。然而,缺陷会通过扭曲电流分布显著降低其性能。传统的无损评估技术通常涉及从磁场测量到电流分布,再到缺陷形态的逐步反演。然而,这些方法存在固有
高温超导(HTS)稀土钡铜氧化物(REBCO)涂层导体(CCs)因其高临界性能和优异的机械稳定性而被广泛应用于大规模应用。然而,缺陷会通过扭曲电流分布显著降低其性能。传统的无损评估技术通常涉及从磁场测量到电流分布,再到缺陷形态的逐步反演。然而,这些方法存在固有的不适定性,并且识别复杂或多个缺陷的能力有限。为了应对这些挑战,研究人员提出了一种集成的逆-正框架,将深度学习与物理建模相结合,直接将表面磁场测量映射到内部缺陷形态和电流密度分布。该框架的核心是一种专门设计的条件生成对抗网络(cGAN)作为主要学习器。它在包含复杂多缺陷配置及其相应磁场分布的数据集上进行对抗训练,从而实现缺陷形态的鲁棒逆预测。重建的缺陷几何随后作为边界约束纳入麦克斯韦方程组(耦合超导非线性本构关系)的正向求解中,从而实现电流密度分布的高保真重建。使用载流条件下具有各种缺陷类型的REBCO-CCs的有限元模拟进行了验证。对抗训练使用生成的有限元数据集进行。训练后的模型在不同操作条件下准确识别了多个复杂缺陷形态,并表现出强大的泛化能力。此外,重建的电流密度准确复现了原始磁场分布,证实了所提出方法的可靠性。这项工作将数据驱动推理与基于物理的建模相结合,建立了一个统一的“磁场–缺陷形态–电流密度”反演范式,为REBCO-CCs的无损评估和性能评估提供了一种高效且可靠的方法。
高温超导(HTS)稀土钡铜氧化物(REBCO)涂层导体(CCs)因其高临界电流密度、高临界磁场和优异的机械稳定性,在聚变装置、MRI/NMR系统、磁悬浮架构、磁通泵、磁储能和空间推进等大规模应用中具有广阔前景。然而,制造过程的复杂性以及低温高载流运行条件会引入多种固有缺陷,例如微裂纹、弱连接晶界和机械应力损伤,这些缺陷通过扭曲电流分布显著降低临界电流,损害性能均匀性和稳定性,最终影响商业应用中的可靠性和使用寿命。传统无损评估技术通常从磁场测量逐步反演到电流分布,再推导缺陷形态,但这类方法存在固有的不适定性,难以处理复杂或不规则形状缺陷,且顺序反演过程中误差累积,限制了检测精度。为此,研究人员开展了一项研究,提出一种基于深度学习(DL)的统一逆-正框架,将数据驱动推理与物理建模相结合,直接从表面磁场映射到内部缺陷形态和电流密度分布。该研究使用了条件生成对抗网络(cGAN)作为核心学习器,通过有限元模拟生成的数据集进行对抗训练,实现了端到端的缺陷识别;随后将预测的缺陷几何作为边界条件,正向求解耦合超导非线性本构关系的麦克斯韦方程组,重建电流密度分布。研究结论表明,该方法在验证集上实现了像素级分割性能(IoU=0.9801,F1=0.9899),能准确识别多种复杂缺陷形态,并在不同载流条件下展现出强泛化能力(170–230 A范围内核心指标均高于0.90),重建的电流密度复现的磁场与原始输入高度吻合(NMSE=1.65×10
?4)。该研究具有重要的理论和实践意义,为超导带材及其他功能材料在苛刻条件下的实时、高精度无损评估提供了创新路径,论文发表在《Superconductivity》。
研究人员为开展研究主要采用了以下关键技术方法:使用有限元法(FEM)基于H- formulation生成数据集,模拟REBCO涂层导体(CCs)在不同缺陷类型(如三角形、正方形、圆形、椭圆形、矩形线缺陷等)下的电磁行为,数据集包含2000个训练样本和250个验证样本;构建条件生成对抗网络(cGAN),包括增强型U-Net生成器(包含卷积块注意力模块CBAM和残差块)和PatchGAN判别器,用于从磁场图直接识别缺陷形态;将预测缺陷作为边界约束,通过正向求解麦克斯韦方程组(耦合E–J幂律本构关系和Kim模型)重建电流密度和磁场分布。
**3.1 cGAN的预测性能**
通过分析训练过程中判别器得分曲线和生成器损失曲线,验证了模型达到对抗平衡(约300 epoch后收敛于0.5附近),生成器损失在验证集上最低至0.106(epoch 318)。在验证集上,分割性能指标为IoU=0.9801,精确率=0.9813,召回率=0.9987,F1=0.9899,表明模型能高保真地从复杂磁场信号中重建缺陷形态,且漏检率极低。
**3.2 电流分布重建**
针对包含线缺陷、边界缺陷和不规则缺陷的复杂样本,模型准确预测了缺陷分布,并将其作为几何约束正向求解麦克斯韦方程组,得到内部电流密度和磁场。重建磁场与原始输入磁场高度一致,归一化均方误差(NMSE)为1.65×10
?4,证实了缺陷预测和电流密度重建的准确性。
**3.3 不同电流负载下的泛化能力**
模型在200 A下训练后,直接应用于170–230 A范围内的测试集(各250个样本),无需重新训练。结果显示,所有核心分割指标在180–220 A范围内均超过0.94,在170 A和230 A时仍高于0.90(IoU>0.91,F1>0.95),表明模型对电流变化具有强鲁棒性和跨电流泛化能力。
研究结论部分:
本研究提出了一种基于cGAN的端到端深度学习方法,直接从表面磁场图准确推断REBCO高温超导带材的内部缺陷形态,绕过了传统的两阶段反演。通过将缺陷反演与基于麦克斯韦的正向求解器耦合用于电流重建,建立了一个统一的混合数据-物理框架,实现了从磁信号到复杂多缺陷结构的稳定非线性映射,并高效、高精度地恢复了电流密度。
1. 将增强型U-Net生成器和PatchGAN判别器集成到cGAN中,直接从磁数据重建多种复杂缺陷。在验证集上,模型实现了IoU=0.9801,F1=0.9899,表明高鲁棒性和准确性。
2. 开发了从“缺陷识别”到“电流重建”的完整框架。cGAN模型预测的高精度缺陷分布为有限元正向求解(含超导本构关系的麦克斯韦方程)提供了几何约束,得到内部电流密度和对应磁场。重建磁场与输入高度匹配(NMSE=1.65×10
?5),证实了缺陷反演和电流预测的可靠性。
3. 在单一载流条件(200 A)下训练的模型,无需重新训练即可推广到其他电流水平(170–230 A),保持高分割性能,并表现出对运行条件变化的适应性,突显了其工程适用性。
本研究证明了深度学习在复杂缺陷结构电磁反演问题中的有效性,为苛刻条件下超导带材及其他功能材料的实时、高精度无损评估提供了创新途径,具有重要的理论和实践价值。未来工作将聚焦于解决实际挑战,如测量噪声和误差,以促进该算法在商业带材质量检测系统和大型超导磁体监测中的应用。