利用卷积神经网络，合成数据集就足以用来测量因热疲劳而产生的表面裂纹的高度

《NDT & E International》：A synthetic dataset is sufficient to measure the height of thermally fatigued surface-breaking cracks using convolutional neural networks

　　摘要：无损检测技术被用于发现和表征关键安全部件中的缺陷。本文重点研究手动脉冲回波超声检测在评估表面开裂型缺陷尺寸中的应用。在实际工作中，检测人员通常使用单元件脉冲回波超声检测的A扫描图像。机器学习，尤其是神经网络，因其能够从信号中识别模式，因此在处理无损检测类问题方面具有巨大潜力。要实现精准预测，就需要大量带有标签的数据库，但目前针对表面开裂的热疲劳裂纹的超声数据极为匮乏。为解决这一问题，本研究表明，完全由模拟生成的A扫描图像构成的数据库也能对实际测量数据给出较为准确的预测。对于0.5毫米至4毫米深的裂纹，其高度预测的均方绝对误差约为0.124毫米；而在模拟A扫描数据上测试时，高度和倾斜角的预测精度极高，分别控制在0.035毫米和0.41度以内。为达到如此高的精度，研究模拟了现场检测流程，特别考虑了热疲劳裂纹的特性以及单元件换能器及其输入信号的特点。文中还介绍了用于生成该数据库的有限元模拟细节。本研究表明，借助完全基于合成数据训练、并结合实验数据反馈的神经网络，A扫描图像可用于缺陷尺寸的评估，有望提升现场裂纹尺寸测量的效率。

引言：无损检测技术广泛应用于工业领域，如电力和航空航天行业，用于检测和表征关键安全部件中的缺陷。在实际检测中，人们通常采用超声检测方法（包括脉冲回波、频差法、飞行时间衍射法）来发现裂纹，同时确定其位置、方向和尺寸，以及裂纹开口度、表面粗糙度和填充情况等特征[1]。为了对缺陷进行分类（判定其为体积型还是裂纹型），检测人员一般会遵循ISO-16827:2025标准中的流程[2]。在实际检测作业中，工作环境往往较为复杂，而且随着自动化程度的提高，需要分析的数据量也在不断增加。机器学习在辅助数据解读方面具有很大潜力。本文采用完全合成的数据集来训练卷积神经网络，结果表明该网络在裂纹高度预测方面能够取得良好效果。虽然此处介绍的方法可普遍应用于超声检测，但本研究是针对与实验设置相匹配的单元件手动脉冲回波检测展开的。由于设置简单且生成的A扫描图像（典型示例见图1）对大多数类型的缺陷都适用，单元件换能器常被用于现场手动超声检测。不过随着自动化程度的提升，需要分析的数据量持续增加[3]，此外，即便是有经验的检测人员，其人工解读结果也可能存在一致性问题[4][5]，而且合格检测人员的数量也在减少[6]。机器学习技术现已在科学、工程及日常场景中得到广泛应用（早期相关研究可见[7][8][9]），而无损检测领域对此技术的应用则相对滞后，仅有少数早期案例出现于[10][11][12][13]，关于机器学习在裂纹表征方面的综述可见[14]。不过近年来进展迅速，机器学习技术已开始被商业化应用于无损检测，主要用于B扫描和/或C扫描图像的分析，例如[15]。机器学习有助于检测人员快速、可靠地分析通过脉冲回波检测获得的A扫描超声数据。随着计算能力的提升以及神经网络复杂度的增加，用于更复杂的裂纹检测和表征任务的机器学习模型训练潜力也在不断提升。传统的机器学习模型，如随机森林算法，训练速度快，但其预测结果易受输入参数影响。而神经网络虽然训练所需时间和计算资源更多，但其预测结果的稳定性优于传统学习算法[16][17]。所有机器学习模型都需要数据集进行训练，且监督学习需要带有标签的数据。对于超声无损检测应用而言，数据库必须准确反映检测过程并正确标注。电力行业无损检测面临的一个难题是，能够从实际设备中获取的、经过精确标注的裂纹样本极为稀少（因为这些裂纹已处于完整运行状态）。尽管半解析模型能够高效处理裂纹反射问题，如[18][19][20][21][22]，但这类模型缺乏机器学习训练所需的详细信息。为验证这类模型，人们通常会在测试块或人工制造的缺陷上开展实验测量，例如[23][24][25]，不过这类测试样本缺乏真实缺陷数据的多样性和随机性。为解决这一问题，本研究采用了有限元方法构建基于实验数据的合成数据库。有限元模型的准确性至关重要，输入信号、空间特性、检测参数值以及裂纹几何形状都必须具有代表性。例如[26]中就采用了粗糙缺陷以及平行双线源方法来减小源线带来的边缘效应。早期利用有限元模型为神经网络构建数据库的案例可见[10]，该二维模型以实测的换能器信号作为输入，用于模拟理想的铆钉裂纹。类似地[27]也利用有限元技术训练数据集，用于识别裂纹类型（同样是在二维空间中）。这两个案例都是仅依靠有限元计算结果来构建数据库的，而[28]则结合有限元计算和实验数据来补充数据库，不过其应用场景为相控阵超声检测，且仅用于识别侧钻孔这类相对简单的缺陷。由于自由度较低，二维空间中的有限元计算速度远快于三维空间，不过三维模型因能更准确地模拟波束扩散、模式转换以及有限裂纹的边缘效应，所以精度更高。在[29]中，有限元模型被应用于三维空间，为此人们开发了一种介于换能器与裂纹位置之间的半解析混合模型，以节省计算时间。在实际运行条件下，由热应力作用产生的裂纹通常较为粗糙，裂纹的粗糙度一般用统计参数来描述，如均方根高度（即偏离零均值线的数值）和关联长度[20][30]。有一些研究采用了加权移动平均法[21]来生成合成粗糙表面，这类表面通常遵循高斯分布规律[24][31]，虽然这种方法也被认为适用于导致无分支裂纹的热疲劳现象[32][33]，但由此生成的表面并不像真实的多面裂纹那样崎岖。有研究[34]对不同合成方法在模拟真实粗糙表面方面的效果进行了比较。在本研究中，則利用真实的热疲劳表面[22]提取一维粗糙表面样本，再将其输入到二维有限元模型中。无论是传统机器学习还是深度学习技术，都已被应用于无损检测领域。传统机器学习的应用案例可见[35]，该研究采用随机森林算法，通过荧光渗透检测技术识别航空航天部件中的缺陷。在[36]中，深度学习被用于确定未知的材料属性[6]则概述了机器学习在焊接缺陷分类中的应用，不过这些缺陷并非表面开裂型缺陷。神经网络通常被应用于图像分析，例如[25]就采用二维卷积神经网络处理图像，其预测结果优于传统的6分贝衰减法用于裂纹尺寸测量。二维卷积神经网络在图像分析领域的应用已经十分成熟[37][38][39]，在透射荧光成像分析方面的深度学习应用案例可见[40]，该研究采用基于混合模型的数据集进行训练，其结果与无需深度学习的同类方法相比表现更为优异[41]。本文则探讨了较少被研究的、利用A扫描图像训练机器学习模型用于手动超声脉冲回波检测的技术[42]中，研究人员开发了一种卷积神经网络与长短期记忆网络的混合架构，用于从A扫描图像中获取缺陷深度，在该研究中，输入为短脉冲信号，返回的信号会被分解为各个反射成分。类似地[43]也利用A扫描图像，通过神经网络获取碳纤维材料中缺陷的深度，而[44]则采用卷积神经网络对含噪声的A扫描图像进行分类，以识别裂纹类型[45]则利用基于有限元模型的输入输出数据对对训练出的替代模型，用于飞行时间衍射检测技术，该替代模型能够学习输入与输出之间的关系，进而生成新的检测结果。在[46]中，人们证明了卷积神经网络在从单个A扫描图像中识别嵌入式平滑缺陷方面具有出色性能，该研究通过有限元技术在三维空间中模拟了嵌入式平滑缺陷，从而生成了包含1200个完全合成A扫描图像的数据库，该CNN模型能够成功预测实际A扫描图像中类似硬币形状的缺陷的位置、尺寸和倾斜角度。现有文献中尚未见到将卷积神经网络与A扫描图像结合用于分析表面开裂裂纹的研究，此外，粗糙度问题常常被忽视，且对真实换能器行为的建模也较为欠缺。现有研究普遍认为，由于用于机器学习训练的带标签裂纹样本十分稀缺，因此需要借助有限元等数值方法来补充训练数据集，这也正是本研究开展的动机。本文表明，对于实际应用而言，有限元模型必须尽可能准确地反映所分析的问题，本研究聚焦于使用单元件脉冲回波纵波超声检测技术分析表面开裂的热疲劳裂纹，相关的评估指标为穿壁延伸深度，即裂纹高度与倾斜角余弦值的乘积，因此机器学习模型需要预测的参数就是裂纹高度和倾斜角。尤其需要注意的是，本研究重点关注由加热循环（或固定约束部位处的温度梯度）引发的热疲劳裂纹，这与常见于缺陷焊接部位、且金属表面与氢气和水接触情况下的应力腐蚀裂纹有所不同。选择研究热疲劳裂纹是因为其裂纹形态相对简单，通常没有分支或突起结构，这类结构会为A扫描图像增加复杂性[30]，但仍具有重要的工业应用价值。在实际检测中，检测人员通常会遵循国际标准化组织制定的标准，对于本文所研究的手动超声检测应用，最相关的标准包括ISO-16827:2025[2]和ISO-16811:2025[47]等。根据这些标准，一旦怀疑存在裂纹，就需要调整换能器的位置，以便在A扫描图像中获得最大振幅，然后从裂纹两侧进行测量以确定其高度。如果裂纹位于管道连接处，可能无法从两侧进行检测[48]。对于较大的裂纹，其高度可通过计算裂纹尖端与拐角处的振幅差来确定。而对于母材表面噪声较大或裂纹较小的情况，则可以将A扫描图像的最大振幅与距离-振幅曲线进行对比，不过这种方法的缺陷在于，该曲线是基于通常垂直于背壁的裂纹生成的，且该裂纹所处的材料环境很可能与实际裂纹不同，因此容易导致裂纹高度测量错误。如果裂纹存在非零倾斜角度，那么基于零倾斜角度的距离-振幅曲线就无法可靠地用于测量。在实际检测中，较小尺寸的裂纹较难准确测量，因此本研究聚焦于0.5毫米至4毫米深度、倾斜角度在-20度至20度之间的裂纹。研究团队构建了一个A扫描图像数据库，用于检测具有特定高度、角度和粗糙度的裂纹的两侧情况，该数据库共包含152,082个A扫描图像。对于每一组高度和倾斜角度组合，共使用了11种不同的均方根值（范围从0毫米到0.1毫米），每种值又对应5种不同的粗糙度轮廓，所有案例的粗糙度关联长度均固定为0.2毫米。第3节对所有这些细节进行了讨论。本文的结构如下：第2节描述实验装置，第3节深入探讨用于生成数据集的数值方法，第4节概述所使用的机器学习方法，第5节和第6节分别呈现结果与讨论，第7节给出最终结论。

实验部分
机器学习模型是通过使用EPOCH 650超声缺陷检测仪（Evident Scientific）进行的脉冲回波、剪切波（S波）手动超声波检测所得的A扫描数据来验证的。EPOCH 650是一种常用于检测焊接件、管道及其他结构部件中缺陷的仪器。在实验测量以及为有限元模型提供数据时，主要使用的单元素探头是奥林巴斯生产的压缩波（P波）螺旋式换能器（A540S-SM），其中心频率为……

数值模拟部分
二维显式有限元模拟是使用Pogo软件[51]在配备英特尔至强金6248R处理器的工作站上进行的。该处理器拥有24核、35.75兆字节缓存、3.00吉赫兹主频、2933兆赫兹的最大内存传输速度，以及96吉字节的RAM内存，还配有一张拥有48吉字节内存的Nvidia RTX A6000显卡。选择有限元模拟是因为它能够包含所有的物理现象。当剪切波与裂纹相互作用时，所有的模式转换和衍射效应都能被体现出来。图4展示了反射波、衍射波以及……

机器学习部分
为了评估裂纹高度h和裂纹倾斜角度θ，研究人员开发了两个卷积神经网络。之所以采用两种架构，是因为相比使用一个卷积神经网络同时预测高度和角度，这种方式能得到更好的结果。在多个领域，这种使用单输出卷积神经网络而非一个网络预测多个参数的方法已被广泛采用。例如，在[53]中，仅利用声学数据就能预测海底的某一项属性，而无需了解其他三项属性的信息，其预测效果也相当不错……

结果部分
结果分为在模拟A扫描数据和实际测量得到的A扫描数据上的测试结果。这里报告的均方误差是基于聚合机器学习算法得出的，因此没有对应的标准差。最终结果见表3和图12。数据显示，当在模拟A扫描数据上测试卷积神经网络时，其对裂纹高度和倾斜角度的预测都非常准确。而在实际测量得到的A扫描数据上测试时，虽然高度预测效果很好，但倾斜角度的预测则与真实值相差较大……

讨论部分
研究结果表明，即便训练数据完全来自模拟A扫描数据，卷积神经网络依然能够仅通过A扫描数据就预测出表面断裂的热疲劳裂纹的高度。不过，裂纹倾斜角度的预测仍有提升空间。之所以能获得较为准确的裂纹高度预测，得益于庞大的高质量A扫描数据库以及合理的卷积神经网络结构。用于生成A扫描数据的有限元模拟模型也是经过精心设计，以尽可能真实地模拟实际检测环境。

结论部分
本研究表明，在实验室条件下，只需输入两张A扫描图像，就可以通过卷积神经网络确定表面断裂裂纹的高度。此外，只要模拟数据能够真实反映实际检测环境，卷积神经网络完全可以仅通过模拟数据来进行训练。研究还发现，A扫描结果与表面粗糙度密切相关，3毫米和4毫米粗糙裂纹对应的A扫描数据最大值的标准差存在重叠。本研究中开发的卷积神经网络……

CRediT作者贡献说明
詹姆斯·加夫尼：撰写——初稿、可视化、验证、研究、正式分析、数据整理、概念构建。托马斯·贝金厄姆：撰写——审阅与编辑、方法论、研究、正式分析、数据整理、概念构建。丹尼尔·J·科尔奎特：撰写——审阅与编辑、方法论、研究、资金获取、概念构建。威廉·J.R.克里斯蒂安：撰写——审阅与编辑、资源协调。威尔·丹尼尔斯：撰写——审阅与编辑、概念构建。

关于手稿准备过程中生成式人工智能及人工智能辅助技术的声明
在准备本文档时，作者们使用了chatGPT中的图形摘要生成工具来创建图形摘要。所使用的提示语为通用模板，且没有将本文档的任何内容上传到chatGPT。在使用该工具/服务后，作者们对内容进行了必要的审阅和修改，并对最终发表文章的内容承担全部责任。

利益冲突声明
作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
作者们衷心感谢英国无损检测研究中心（RCNDE）以及NDEvR通过“MUSICA”项目提供的支持，该项目旨在建立用于自动分析复杂缺陷的超声检测模型。同时，作者们还要感谢吉吉·马修在实验室工作中所提供的专业帮助。KHM和DJC感谢TheLeverhulme Trust通过RPG-2022-261研究项目提供的资助。

詹姆斯·加夫尼|托马斯·贝金厄姆|丹尼尔·J·科尔奎特|威廉·J.R.克里斯蒂安|威尔·丹尼尔斯|乔治奥斯·萨里斯|凯蒂·马丁|宋子涵|斯图尔特·G·哈斯林格
英国利物浦大学数学科学系，利物浦