《Materials Today Communications》:Convolutional Neural Network Based Image Recognition for Crack Severity Detection and Service Life Assessment of Dissimilar Metal Welded Joints
编辑推荐:
为解决Al-steel异种金属焊接中脆性Fe-Al IMC层导致裂纹萌生及服役寿命评估难题,本研究结合CNN图像识别与疲劳分析,建立了从微观裂纹到宏观寿命的定量关联框架。通过ResNet-50模型实现裂纹严重程度分级(QWK=0.91),将现场失效概率从12%降至2%,显著提升接头可靠性。
在追求轻量化的交通与能源装备制造中,将铝合金与钢进行异种金属焊接是实现“多材料结构”的关键技术。然而,这对“跨界组合”在物理属性上存在巨大鸿沟:铝和钢的熔点、热膨胀系数差异显著,焊接时极易形成脆硬的金属间化合物(Intermetallic Compound, IMC)层。这层IMC就像焊点处的“玻璃隔膜”,虽然薄,却是裂纹萌生的温床,直接决定了接头的生死。更棘手的是,合格的焊接工艺窗口极窄——热输入低了焊不透(Lack of Fusion, LOF),高了又容易把IMC层烧得太厚导致开裂。如何快速、精准地评估焊缝质量,并预测其在实际服役中的疲劳寿命,是制约该技术大规模应用的“卡脖子”难题。
传统的人工金相检测不仅效率低下,且严重依赖专家经验,难以满足现代智能制造对质量一致性的高要求。在此背景下,Shuting Gao和Yushuang Wang的研究团队独辟蹊径,将目光投向了人工智能。他们发表于《Materials Today Communications》的工作,构建了一个从“工艺控制”到“寿命预测”的端到端框架,试图用卷积神经网络(Convolutional Neural Network, CNN)的眼睛,代替人眼来“诊断”焊缝的健康状况,并回答一个根本性问题:微观层面的裂纹,究竟会把产品的使用寿命缩短多少?
技术方法概览
本研究的技术路线清晰呈现“制备-表征-建模-验证”的闭环逻辑:
- 1.
工艺窗口筛选与样本制备:采用激光焊接工艺,系统改变激光功率(P)与焊接速度(v),制备了15组(C1-C15)Al-steel接头样本,覆盖从LOF到过烧开裂的全过程,并筛选出10组代表性条件用于后续建模。
- 2.
微观结构与力学性能表征:通过金相制备、SEM、EDS等手段,定量表征界面IMC层厚度(稳定区3.4±0.5 μm vs 过烧区11.8±2.1 μm)及裂纹形貌,并建立其与拉伸、疲劳性能的关联。
- 3.
CNN图像识别模型构建:从金相图像中截取100 μm尺度的感兴趣区域(Region of Interest, ROI),建立0-5级裂纹严重程度 ordinal(有序)标注体系。采用ResNet-50架构,结合 ordinal 损失函数进行训练,并引入 Grad-CAM 提供模型可解释性。
- 4.
服役寿命评估与决策优化:基于裂纹严重程度分级,建立疲劳寿命(S-N)曲线模型,并设计基于置信度门控的筛查策略,量化失效概率的降低幅度。
研究结果深度解析
2.1. 工艺窗口与微观结构演化
研究首先绘制了焊接参数与宏观缺陷的对应关系图,明确了三个关键区域:
- •
欠加工区(Under-processed):热输入(P/v)不足,表现为未焊透(LOF)。
- •
稳定窗口(Stable window):热输入适中,界面形成薄而连续的IMC层(约3.4 μm),无宏观裂纹。
- •
过加工区(Over-processed):热输入过高,IMC层异常增厚至约11.8 μm,并伴随微裂纹和空洞链的形成。
这一发现证实,IMC层的厚度与连续性是控制裂纹萌生的“开关”,为后续的AI识别提供了物理依据。
2.2. 裂纹严重程度分级与CNN模型性能
为了让人工智能理解裂纹的“严重性”,研究团队没有简单地进行“有/无”分类,而是制定了精细的0-5级 ordinal 标准:
- •
0级:无裂纹。
- •
1-2级:孤立微裂纹或短裂纹。
- •
3-4级:较长裂纹、分支或连接网络。
- •
5级:密集连通裂纹网络或贯穿特征。
在ResNet-50模型的加持下,该分类系统表现出色。模型在测试集上取得了二次加权Kappa系数(QWK)为0.91、宏F1分数为0.86的优异性能。这意味着模型不仅分得准,而且对于“严重程度”的排序判断与人类专家高度一致。更值得一提的是,模型经过了置信度校准(Expected Calibration Error, ECE = 0.024),这意味着当模型预测某张图片为“严重裂纹”时,它有极高的概率确实是严重的,这种“自知之明”对于工业决策至关重要。
2.3. 从裂纹到寿命:疲劳性能的系统性退化
AI识别出的“严重程度”是否具有工程意义?疲劳试验给出了肯定的答案。研究数据显示,随着裂纹严重程度等级的提高,接头的疲劳寿命呈现系统性下降。不同严重程度等级对应的生存曲线(Survival behavior)和风险函数(Hazard function)出现了清晰的分离。这表明,CNN模型给出的不仅仅是一个图像标签,更是一个服役寿命的早期预警信号。
2.4. 决策导向的筛查与失效概率量化
研究的最终目的是落地应用。团队设计了一套“信心门控”决策逻辑:
- •
对于模型高置信度预测为低严重程度(如0-2级)的接头,直接放行。
- •
对于预测为高严重程度或模型置信度低的接头,进行人工复检或报废处理。
模拟应用显示,这套基于AI的筛查策略,能将现场失效概率从12%大幅降低至2%(降幅达83%)。这不仅是检测效率的提升,更是对产品全生命周期可靠性的革命性保障。
结论与意义
本研究成功打通了“工艺参数→微观结构→AI识别→服役寿命”的全链条。它证明,基于CNN的图像识别不仅能“看”到裂纹,更能通过 ordinal 分级精准量化裂纹对结构安全的威胁。将IMC层厚度、裂纹严重程度与疲劳寿命建立定量关联,为异种金属焊接提供了一套可解释、可决策的数字化质量评估体系。这套方法不仅适用于Al-steel焊接,对于其他高附加值结构件的无损检测与寿命预测也具有重要的借鉴意义,是人工智能赋能高端制造的一次生动实践。