《Journal of Materials Research and Technology》:CNN-based prediction of compressive strength in porous Ti6Al4V alloy from micro-CT images
编辑推荐:
为解决传统经验公式对金属泡沫力学性能预测精度不足的问题,本研究利用卷积神经网络(CNN)结合微CT图像,实现了对Ti6Al4V多孔结构孔隙率和压缩屈服强度(YS)的非破坏性高精度预测(R2>0.97),验证了“图像-结构-性能”智能评价框架在生物材料领域的应用潜力。
钛及其合金因具有高强度重量比、优异的生物相容性和耐腐蚀性,被广泛用于生物医学和牙科器械。然而,致密钛合金与人体骨骼间显著的弹性模量差异,容易导致骨-植入物界面产生不均匀的应力传递,引发应力屏蔽效应,长期可能导致植入体松动甚至骨折。为此,学界提出采用多孔钛结构作为解决方案——当孔隙率控制在30%-70%、孔径为100-500μm时,其力学性能可接近自然骨。不过,金属泡沫的压缩强度不仅受孔隙率影响,还涉及孔形、孔尺寸、孔壁厚度等多因素,传统Gibson–Ashby模型等经验公式存在明显局限性。与此同时,早期机器学习虽尝试预测金属泡沫性能,但多以量化参数为输入,而基于图像的深度学习路线仍有待系统探索。如何实现快速、无损地评估多孔结构的力学特性,成为材料与医疗应用中的实际痛点。
在此背景下,韩国全北国立大学先进材料工程系的Sungjin Kim与Seok-Jae Lee团队于《Journal of Materials Research and Technology》发表研究,将卷积神经网络(Convolutional Neural Network, CNN)应用于多孔Ti6Al4V合金的微计算机断层扫描(micro-CT)图像分析,建立从图像直接预测孔隙率与压缩屈服强度(compressive yield strength, YS)的端到端模型,并结合梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)可视化模型决策依据,为非破坏性性能评估提供了可解释的数据驱动框架。
关键技术方法概述
研究以作者前期成果数据为基础,获取孔隙率40%、50%、60%、70%对应的多组Ti6Al4V泡沫micro-CT图像及相应YS值构建数据集,图像经裁剪归一化为227×227像素三通道输入。网络采用经典AlexNet架构,包含卷积/池化层堆叠的特征提取段与全连接输出段,ReLU激活配合Dropout正则化,以Adam优化器训练回归任务。另采用空间占位剂法结合放电等离子烧结(Spark Plasma Sintering, SPS)制备不同孔隙率的验证样品,经micro-CT扫描与压缩试验实测性能,并与模型预测对比;最后通过Grad-CAM生成热力图,直观显示模型关注区域。
3.1. Model training
模型训练结果显示,孔隙率与压缩YS预测任务的验证损失均在前几轮迅速下降后趋于稳定,未出现显著过拟合。测试集上孔隙率预测的决定系数(R2)高于0.97,平均绝对误差仅0.62%;压缩YS预测R2超0.98,平均绝对误差6.93MPa,证明模型具备从单张CT切片中捕捉有效微观结构特征的能力。
3.2. Validation test for prediction performance
针对新制备的44%、55%、66%孔隙率验证试样,模型预测孔隙率最大误差1.96%,平均绝对误差1.03%;压缩YS最大偏差7.85MPa,平均误差6.18MPa,与实验测量高度吻合。将预测值与前期导出的YS-孔隙率经验方程比对,曲线趋势一致,说明该方法可在40%-70%孔隙率区间内可靠外推。
Grad-CAM的可视化解释
热力图揭示,模型在预测压缩YS时,注意力集中分布于Ti6Al4V骨架及孔壁区域(红色高权重),而高孔隙区贡献较低(蓝色低权重)。这直观印证了CNN所学习的特征确实对应力学承载的关键结构要素——孔壁厚度与固体相分布,增强了方法的物理可解释性与工程可信度。
本研究表明,基于CNN的micro-CT图像分析方法能够在不依赖破坏性压缩试验的前提下,实现对多孔Ti6Al4V合金孔隙率与压缩屈服强度的精准估计。模型不仅在内部测试集表现优异,也在独立制备的验证样本上展现出稳健的泛化能力,平均绝对误差远小于常规经验模型的预期波动。尤为重要的是,通过Grad-CAM可视化,研究者得以窥见模型决策背后的“结构逻辑”,确认其聚焦于真实影响力学性能的微观区域,从而为“黑箱”深度学习提供了可理解的证据链。这一框架的推广价值在于:它既可服务于植入体制造过程中的高通量质量检测,又能为复杂多孔材料的逆向设计与性能筛选提供快速原型工具,尤其适合难以标准化取样或不允许破坏的实际产品场景。未来若进一步整合三维体积信息与更广泛的工艺参数,有望在个性化骨科植入物定制与组织工程支架开发中,形成更具弹性的“成像-仿真-智能”一体化评价体系。