無(wú)損檢測(cè)技術(shù)在現(xiàn)代工業(yè)中扮演著至關(guān)重要的角色,廣泛應(yīng)用于航空航天、能源、汽車等領(lǐng)域[1-2]。近年來(lái),超聲檢測(cè)技術(shù)在材料科學(xué)與工程領(lǐng)域取得了顯著進(jìn)展[3-4]。作為一種無(wú)損獲取材料內(nèi)部結(jié)構(gòu)信息的手段,超聲檢測(cè)已被廣泛應(yīng)用于評(píng)估材料的微觀組織結(jié)構(gòu)和缺陷。傳統(tǒng)超聲檢測(cè)方法通常依賴經(jīng)驗(yàn)公式和物理模型來(lái)解釋和重建材料內(nèi)部的幾何特征,如晶粒大小、圓度及長(zhǎng)短軸比等參數(shù),但這些數(shù)值化信息忽略了材料內(nèi)部的空間分布和微觀結(jié)構(gòu)細(xì)節(jié)。 

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,尤其是生成模型如生成對(duì)抗網(wǎng)絡(luò)（GAN）、變分自編碼器（VAE）及擴(kuò)散模型（DM）[5]的出現(xiàn),使微觀組織結(jié)構(gòu)的智能生成成為可能。這些深度學(xué)習(xí)模型能夠基于累積的材料數(shù)據(jù)自動(dòng)生成高度逼真的微觀組織結(jié)構(gòu)圖像。近年來(lái)的研究表明,GAN和條件GAN（CGAN）在微結(jié)構(gòu)圖像重構(gòu)中表現(xiàn)優(yōu)異[6-7]。此外,擴(kuò)散生成模型在處理各種類型的微觀結(jié)構(gòu)圖像時(shí)也展現(xiàn)出了優(yōu)越的性能[8]。 

為探討基于超聲評(píng)價(jià)數(shù)據(jù)和擴(kuò)散生成模型的微觀組織結(jié)構(gòu)圖像生成方法,提出了一種智能生成方法,結(jié)合已知的合金超聲檢測(cè)數(shù)據(jù)和材料的幾何特征,通過(guò)擴(kuò)散生成模型實(shí)現(xiàn)復(fù)雜合金材料的微觀組織圖像重構(gòu)。筆者利用超聲檢測(cè)所獲取的晶粒尺寸、圓度、長(zhǎng)短軸比等參數(shù),通過(guò)擴(kuò)散生成模型生成逼真的二維虛擬金相圖。相比傳統(tǒng)的超聲數(shù)據(jù)分析方法,擴(kuò)散生成模型通過(guò)大規(guī)模數(shù)據(jù)集訓(xùn)練,可以更準(zhǔn)確地學(xué)習(xí)復(fù)雜材料的微觀組織特征,進(jìn)而生成高精度的微觀組織結(jié)構(gòu)圖像。 

擴(kuò)散生成模型的優(yōu)勢(shì)在于逐步學(xué)習(xí)微觀圖像的概率分布,并通過(guò)降噪過(guò)程重構(gòu)清晰的結(jié)構(gòu)圖像,因而其在處理高復(fù)雜度的微觀組織結(jié)構(gòu)時(shí)表現(xiàn)突出。結(jié)合超聲檢測(cè)數(shù)據(jù),擴(kuò)散生成模型能夠有效預(yù)測(cè)材料的內(nèi)部組織結(jié)構(gòu),并生成相應(yīng)的組織結(jié)構(gòu)圖像,為材料性能預(yù)測(cè)和結(jié)構(gòu)優(yōu)化提供精準(zhǔn)的參考。 

筆者首次將超聲評(píng)價(jià)數(shù)據(jù)與擴(kuò)散生成模型結(jié)合,用于GH4169合金材料的微觀組織圖像重構(gòu)。試驗(yàn)結(jié)果表明,擴(kuò)散生成模型在微觀組織結(jié)構(gòu)圖像生成中表現(xiàn)出性能優(yōu)越,其與超聲數(shù)據(jù)融合具有可行性和準(zhǔn)確性。該方法為超聲檢測(cè)技術(shù)在復(fù)雜材料微觀組織分析中的應(yīng)用開辟了新路徑。 

1.   基于統(tǒng)計(jì)學(xué)習(xí)的微觀組織結(jié)構(gòu)生成方法

在利用超聲評(píng)價(jià)數(shù)據(jù)和累積數(shù)據(jù)進(jìn)行微觀組織結(jié)構(gòu)重構(gòu)時(shí),首要任務(wù)是選擇適合的圖像生成模型。為此,評(píng)估不同生成模型的性能,以確定最能捕捉圖像庫(kù)統(tǒng)計(jì)特征的最佳模型至關(guān)重要。最終選定的模型將與超聲評(píng)價(jià)數(shù)據(jù)融合,以約束和引導(dǎo)生成過(guò)程,從而提升生成結(jié)果的準(zhǔn)確性和可靠性。 

在深度生成模型中,GAN（生成對(duì)抗網(wǎng)絡(luò)）、VAE（變分自編碼器）和DM（擴(kuò)散模型）是3類主要的模型。GAN通過(guò)生成器生成樣本,并由判別器進(jìn)行對(duì)抗學(xué)習(xí)提升樣本質(zhì)量。VAE通過(guò)編碼器將數(shù)據(jù)壓縮為隱空間表示,再由解碼器還原數(shù)據(jù),并通過(guò)最大化證據(jù)下界（ELBO）優(yōu)化模型。DM則逐步向數(shù)據(jù)添加噪聲再通過(guò)逆過(guò)程去除噪聲,以恢復(fù)數(shù)據(jù)結(jié)構(gòu),其中去噪擴(kuò)散概率模型（DDPM）優(yōu)化了采樣效率和生成效果[9]。 

1.1   SA_GAN模型

為了重構(gòu)GH4169合金的微觀組織結(jié)構(gòu)圖像,文章使用結(jié)合自注意力機(jī)制的SA_GAN模型來(lái)學(xué)習(xí)圖像數(shù)據(jù)庫(kù)的統(tǒng)計(jì)特征。該模型通過(guò)生成器和判別器中的自注意力模塊,有效捕捉遠(yuǎn)距離區(qū)域的關(guān)系,生成更細(xì)膩且真實(shí)感更強(qiáng)的微觀結(jié)構(gòu)圖像。自注意力模塊使得生成器在處理局部細(xì)節(jié)和全局結(jié)構(gòu)時(shí)更為高效,從而能提升生成效果。 

1.2   VQ_VAE模型

文章還采用VQ-VAE模型[10]進(jìn)行GH4169合金微觀組織圖像的重構(gòu)。該模型通過(guò)將圖像的連續(xù)特征量化為離散嵌入向量,實(shí)現(xiàn)數(shù)據(jù)壓縮與重構(gòu)。VQ-VAE由編碼器、量化器和解碼器組成,編碼器將圖像編碼為隱變量,量化器將其映射到離散嵌入空間,解碼器則用這些嵌入向量重構(gòu)圖像。在訓(xùn)練過(guò)程中,通過(guò)最小化重構(gòu)損失和承諾損失函數(shù)來(lái)優(yōu)化模型。此外,模型采用自回歸先驗(yàn)對(duì)隱變量進(jìn)行采樣,進(jìn)一步提升微觀組織結(jié)構(gòu)的生成質(zhì)量。 

1.3   MDiff模型

為對(duì)GH4169合金微觀組織結(jié)構(gòu)圖像進(jìn)行擴(kuò)散生成方法的重構(gòu),文章還借鑒IDDPM[11],訓(xùn)練了針對(duì)微觀組織結(jié)構(gòu)生成的MDiff模型。MDiff模型通過(guò)學(xué)習(xí)微觀組織圖像的統(tǒng)計(jì)特征,能夠生成高質(zhì)量的微觀組織結(jié)構(gòu)圖像。 

MDiff模型的基本思想是通過(guò)加噪和去噪的過(guò)程逐步生成數(shù)據(jù)。首先,數(shù)據(jù)通過(guò)一個(gè)參數(shù)化的馬爾可夫鏈不斷添加噪聲,使其分布逐漸趨于高斯分布。而后在生成階段,模型通過(guò)反向擴(kuò)散過(guò)程逐步去噪,以恢復(fù)數(shù)據(jù)的結(jié)構(gòu)。該模型將去噪視為高斯分布的回歸問(wèn)題,通過(guò)神經(jīng)網(wǎng)絡(luò)U-Net預(yù)測(cè)均值和方差來(lái)完成生成。MDiff模型架構(gòu)如圖1所示。 

圖  1  MDiff模型架構(gòu)示意

2.   模型對(duì)比試驗(yàn)與結(jié)果

試驗(yàn)通過(guò)學(xué)習(xí)GH4169合金真實(shí)二維微觀組織結(jié)構(gòu)圖像庫(kù),利用VQ-VAE、SA-GAN和MDiff三種模型生成了1 000張尺寸為256像素×256像素（長(zhǎng)×寬）的微觀組織結(jié)構(gòu)圖像。不同生成模型的圖像生成效果如圖2所示。 

圖  2  不同生成模型的圖像生成效果

可以看出,VQ-VAE模型未能有效學(xué)習(xí)微觀組織中晶粒的完整性特征,生成圖像中的晶粒結(jié)構(gòu)較為破碎,無(wú)法還原晶粒的清晰邊界。相比于VQ-VAE,SA-GAN模型在晶粒結(jié)構(gòu)的細(xì)化表現(xiàn)上仍顯不足,未能完全再現(xiàn)原始圖像的清晰度。MDiff模型在晶粒形貌的學(xué)習(xí)上更加精確,生成的微觀組織結(jié)構(gòu)圖像在晶粒形態(tài)和晶界特征方面與原始微觀組織圖像更為一致,即該模型較好地保留了晶粒的完整性和晶界的清晰度。 

為進(jìn)一步驗(yàn)證這3種模型在生成微觀組織圖像上的性能,筆者采用一系列評(píng)價(jià)指標(biāo)對(duì)模型訓(xùn)練效果的分布一致性進(jìn)行定量評(píng)估。這些指標(biāo)包括：結(jié)構(gòu)相似性指數(shù)（SSIM）[12]、峰值信噪比（PSNR）[13]、學(xué)習(xí)感知塊相似度（LPIPS）[14]、弗雷歇爾距離（FID）以及核距離（KID）。 

不同生成模型生成圖像質(zhì)量的評(píng)價(jià)結(jié)果如表1所示。分析顯示,SA_GAN模型在SSIM和FID等指標(biāo)上的表現(xiàn)較差,無(wú)法有效還原真實(shí)微觀組織的結(jié)構(gòu)。晶粒形貌分析表明,該模型生成的晶粒形狀較為失真。相比SA_GAN模型,VQ_VAE模型在清晰度上有所提升,但在FID和KID上仍未能達(dá)到較高水平,晶粒邊界模糊導(dǎo)致晶粒形貌分析結(jié)果不理想。MDiff模型在所有定量指標(biāo)上表現(xiàn)優(yōu)異,尤其是在FID和KID指標(biāo)上,最接近真實(shí)數(shù)據(jù)。 

綜上所述,MDiff模型在視覺(jué)效果和定量評(píng)價(jià)指標(biāo)上均表現(xiàn)優(yōu)異,能夠有效地模擬GH4169合金微觀組織結(jié)構(gòu)的真實(shí)特征。 

3.   基于超聲評(píng)價(jià)的擴(kuò)散生成方法

研究表明擴(kuò)散生成模型能夠通過(guò)學(xué)習(xí)微觀組織的概率分布,逐步去噪,從而重構(gòu)高度逼真的微觀組織結(jié)構(gòu)圖像。為實(shí)現(xiàn)GH4169合金材料內(nèi)部微觀組織結(jié)構(gòu)的非破壞性、高可靠性重構(gòu),文章提出了一種新的生成方法,即將超聲評(píng)價(jià)數(shù)據(jù)與擴(kuò)散生成模型相結(jié)合的方法。該方法基于超聲評(píng)價(jià)數(shù)據(jù)的準(zhǔn)確幾何特征,結(jié)合深度學(xué)習(xí)模型的強(qiáng)大生成能力,提供了一條智能化的微觀組織圖像生成路徑。所提基于超聲評(píng)價(jià)的擴(kuò)散生成模型框架如圖3所示。 

圖  3  基于超聲評(píng)價(jià)的擴(kuò)散生成模型框架

3.1   微觀組織結(jié)構(gòu)的超聲評(píng)價(jià)模型

超聲檢測(cè)技術(shù)能夠深入探測(cè)材料內(nèi)部,獲取重要的幾何信息,如晶粒的尺寸、圓度及長(zhǎng)短軸比。這些參數(shù)精確反映了材料的內(nèi)部微觀結(jié)構(gòu),是生成高保真度微觀組織結(jié)構(gòu)圖像的關(guān)鍵依據(jù)。通過(guò)構(gòu)建的多參數(shù)超聲評(píng)價(jià)模型[15],該模型結(jié)合超聲特征參數(shù)Y和真實(shí)幾何特征參數(shù)Xn,來(lái)獲取指定超聲特征參數(shù)輸入的超聲評(píng)價(jià)數(shù)據(jù)${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$。超聲評(píng)價(jià)數(shù)據(jù)為生成高保真微觀組織圖像提供了關(guān)鍵的幾何約束,確保生成結(jié)果與真實(shí)結(jié)構(gòu)在形態(tài)上的一致性。 

筆者使用自建的超聲C掃描系統(tǒng)對(duì)GH4169合金試樣進(jìn)行超聲檢測(cè),在數(shù)據(jù)采樣區(qū)域采集A掃信號(hào),并提取超聲特征參數(shù)Y（縱波聲速Y1、衰減系數(shù)Y2以及頻率偏移Y3）。此外,筆者通過(guò)金相試驗(yàn)獲取合金試樣的微觀組織結(jié)構(gòu)圖像,并采用圖像處理算法提取內(nèi)部的晶粒面積S,晶粒周長(zhǎng)L以及晶粒長(zhǎng)軸a,短軸b。由此計(jì)算真實(shí)幾何特征參數(shù)Xn,包括晶粒尺寸X1（${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">1</span>}}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">=</span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2</span>}\sqrt{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">/</span>\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}$）,圓度X2（${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2</span>}}<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">=</span>\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">4</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">π</span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">/</span>{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2</span>}}$）和長(zhǎng)短軸比X3（X3=a/b）[16]。 

超聲特征參數(shù)通過(guò)二次多項(xiàng)式映射函數(shù)轉(zhuǎn)換為單維超聲參數(shù)Z,使用單階最小二乘擬合方法,構(gòu)建單維參數(shù)與超聲評(píng)價(jià)數(shù)據(jù)${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$（晶粒尺寸${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">1</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$、圓度${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$、長(zhǎng)短軸比${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">3</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$）的擬合函數(shù),從而得到超聲評(píng)價(jià)模型。其模型計(jì)算公式為 

式中：λi1,λi2,λi3為映射參數(shù)；ξ1,ξ2為擬合參數(shù)。 

為獲取最佳的映射參數(shù)以及擬合參數(shù),文章以真實(shí)幾何特征參數(shù)Xn與擬合獲取的超聲評(píng)價(jià)數(shù)據(jù)${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$之間的擬合誤差為優(yōu)化目標(biāo)。通過(guò)優(yōu)化目標(biāo)最小化獲取最佳精度的兩組參數(shù),誤差計(jì)算公式為 

式中：m為總樣本數(shù)；Xnl為第l個(gè)樣本直實(shí)幾何特征參數(shù)；${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">*</span>}$為第l個(gè)樣本擬合獲取的超聲評(píng)價(jià)數(shù)據(jù)。 

由此最終得到晶粒尺寸、圓度以及長(zhǎng)短軸比的多參數(shù)超聲評(píng)價(jià)模型。 

3.2   擴(kuò)散生成模型與超聲評(píng)價(jià)的融合

在擴(kuò)散生成模型中,超聲檢測(cè)提供的幾何約束數(shù)據(jù)起著關(guān)鍵作用,特別是在反向擴(kuò)散過(guò)程中,這些數(shù)據(jù)會(huì)直接影響生成圖像的每個(gè)去噪步驟,超聲評(píng)價(jià)作用下的反向擴(kuò)散過(guò)程示意如圖4所示。通過(guò)將晶粒尺寸、圓度和長(zhǎng)短軸比等幾何特征數(shù)據(jù)注入模型的生成過(guò)程,擴(kuò)散模型能夠生成與實(shí)際材料微觀組織高度一致的微觀組織結(jié)構(gòu)圖像。 

圖  4  超聲評(píng)價(jià)作用下的反向擴(kuò)散過(guò)程示意

在U-Net架構(gòu)的擴(kuò)散模型中,超聲評(píng)價(jià)數(shù)據(jù)通過(guò)條件卷積機(jī)制整合到模型中。在生成圖像的每一個(gè)去噪步驟中,超聲幾何數(shù)據(jù)通過(guò)卷積核對(duì)特征進(jìn)行調(diào)整。該數(shù)據(jù)通過(guò)專門的條件編碼器（τ）進(jìn)行處理后,將提取的幾何特征嵌入到U-Net的不同層次中。這些幾何信息作為額外的輸入通道,作用于卷積層的權(quán)重,使卷積操作不僅依賴于當(dāng)前的圖像特征,同時(shí)也受制于超聲檢測(cè)獲取的幾何參數(shù)。 

在每一層的卷積過(guò)程中,超聲幾何數(shù)據(jù)通過(guò)調(diào)整卷積核的權(quán)重,影響特征提取的方向和強(qiáng)度。這種基于條件卷積的機(jī)制確保了擴(kuò)散模型在逐步去噪過(guò)程中生成的圖像細(xì)節(jié)與超聲檢測(cè)獲取的微觀組織特征相一致。卷積層通過(guò)卷積核的調(diào)整,能夠有效捕捉到晶粒形狀特征,從而使生成的圖像能夠更好地反映材料的真實(shí)微觀結(jié)構(gòu)。 

通過(guò)這一機(jī)制,超聲檢測(cè)獲取的幾何數(shù)據(jù)在每個(gè)去噪步驟中與圖像的生成過(guò)程深度結(jié)合,確保了微觀組織結(jié)構(gòu)圖像的真實(shí)性和精度。這種卷積條件約束為擴(kuò)散生成模型提供了強(qiáng)大的控制能力,使得生成的微觀結(jié)構(gòu)圖像在細(xì)節(jié)和整體形態(tài)上都能符合實(shí)際材料的特性。 

4.   基于超聲評(píng)價(jià)的擴(kuò)散生成試驗(yàn)與結(jié)果

該試驗(yàn)旨在驗(yàn)證基于超聲評(píng)價(jià)的擴(kuò)散生成模型的效果,研究對(duì)象為經(jīng)過(guò)特定熱處理工藝的GH4169合金鍛件。首先,對(duì)GH4169合金原始鍛件按以下工藝進(jìn)行熱處理：在960 ℃下保溫60 min后空冷,溫度梯度為20 ℃；然后在720 ℃下保溫8 h,再以50 ℃·h−1的速率爐冷至620 ℃,最后保溫8 h后空冷。對(duì)熱處理后的合金試樣使用自建的超聲C掃描系統(tǒng)進(jìn)行超聲檢測(cè),采集A掃描信號(hào)并提取關(guān)鍵超聲特征參數(shù),包括縱波聲速、衰減系數(shù)和頻率偏移。 

根據(jù)現(xiàn)有的超聲評(píng)價(jià)方法,利用提取的超聲特征參數(shù)計(jì)算合金的超聲評(píng)價(jià)數(shù)據(jù),包括晶粒尺寸、圓度及長(zhǎng)短軸比。將這些幾何數(shù)據(jù)作為輸入條件導(dǎo)入基于超聲評(píng)價(jià)的擴(kuò)散生成模型中,用于生成微觀組織結(jié)構(gòu)圖像；為了驗(yàn)證生成的虛擬金相圖與真實(shí)微觀組織結(jié)構(gòu)在形貌上的一致性,筆者進(jìn)行了金相試驗(yàn)并采集了合金的真實(shí)金相圖像（見(jiàn)表2）。 

Table  2.  智能生成模型以及金相檢測(cè)獲取的合金內(nèi)部信息對(duì)比

項(xiàng)目	超聲檢測(cè)數(shù)據(jù)			超聲評(píng)價(jià)數(shù)據(jù)
	縱波聲速/m · s−1	衰減系數(shù)/dB · mm−1	頻率偏移/MHz	晶粒尺寸/μm	圓度	長(zhǎng)短軸比
超聲評(píng)價(jià)	5 848.829	0.263	0.891	14.132	0.572	1.867
生成模型	生成的微觀組織圖像			14.512±1.391	0.585±0.038	1.841±0.113
金相試驗(yàn)	真實(shí)的微觀組織圖像			13.893	0.608	1.867

通過(guò)對(duì)比分析虛擬和真實(shí)微觀組織結(jié)構(gòu)圖像,可以發(fā)現(xiàn)虛擬生成的微觀組織結(jié)構(gòu)圖像在晶粒形態(tài)和分布上與實(shí)際的微觀組織具有高度一致性,能夠達(dá)到以假亂真的效果。這表明,基于超聲評(píng)價(jià)的擴(kuò)散生成模型在生成與真實(shí)材料微觀結(jié)構(gòu)相似的微觀組織結(jié)構(gòu)圖像方面具有顯著的潛力。 

為了進(jìn)一步驗(yàn)證生成的虛擬微觀組織結(jié)構(gòu)圖像與超聲評(píng)價(jià)數(shù)據(jù)之間的一致性,筆者對(duì)擴(kuò)散生成模型生成的100張?zhí)摂M微觀組織結(jié)構(gòu)圖像進(jìn)行了定量分析。文章計(jì)算出各圖像的平均晶粒尺寸d、圓度m以及長(zhǎng)短軸比r等幾何特征參數(shù),計(jì)算結(jié)果如表2所示。采用相對(duì)誤差衡量數(shù)據(jù)之間的差異,晶粒尺寸相對(duì)誤差計(jì)算公式為 

式中：dg為生成圖像的晶粒尺寸；dr為真實(shí)圖像的晶粒尺寸。 

其中圓度和長(zhǎng)短軸比的相對(duì)誤差計(jì)算方式類似。 

計(jì)算得到生成圖像的幾何結(jié)構(gòu)數(shù)據(jù)與超聲檢測(cè)數(shù)據(jù)的相對(duì)誤差,晶粒尺寸的相對(duì)誤差為2.69%,圓度的相對(duì)誤差為2.27%,長(zhǎng)短軸比的相對(duì)誤差為1.39%。可見(jiàn),基于超聲評(píng)價(jià)的微觀組織生成模型在輸入輸出環(huán)節(jié)的誤差較小,能夠?qū)崿F(xiàn)基于指定輸入數(shù)據(jù)的微觀組織圖像定制化生成。 

進(jìn)一步對(duì)比生成的虛擬微觀組織圖像與真實(shí)金相試驗(yàn)獲取的微觀組織圖像的幾何結(jié)構(gòu)數(shù)據(jù),結(jié)果顯示：晶粒尺寸的相對(duì)誤差為4.46%,圓度的相對(duì)誤差為3.78%,長(zhǎng)短軸比的相對(duì)誤差為1.39%。這些結(jié)果進(jìn)一步證明,基于超聲評(píng)價(jià)數(shù)據(jù)的擴(kuò)散生成模型能夠精確生成與真實(shí)金相結(jié)構(gòu)幾何特征相匹配的虛擬二維微觀組織圖像。 

綜上所述,該模型不僅能利用超聲評(píng)價(jià)的幾何數(shù)據(jù)有效約束生成過(guò)程,還能夠?qū)崿F(xiàn)對(duì)特定超聲檢測(cè)結(jié)果的虛擬微觀組織圖像的精確重構(gòu)。這種方法為材料微觀結(jié)構(gòu)的研究和表征提供了新的生成工具,在無(wú)需實(shí)際金相試驗(yàn)的條件下,通過(guò)超聲評(píng)價(jià)結(jié)果即可生成高度逼真的虛擬微觀組織圖像,為材料科學(xué)與工程領(lǐng)域的應(yīng)用提供了有力支持。 

5.   消融試驗(yàn)

為驗(yàn)證晶粒尺寸d、圓度m以及長(zhǎng)短軸比r數(shù)據(jù)在控制生成圖像中晶粒幾何形狀中的必要性,筆者設(shè)計(jì)了消融試驗(yàn)。試驗(yàn)內(nèi)容包括：① 不使用超聲評(píng)價(jià)參數(shù)控制生成；② 僅使用單個(gè)參數(shù)控制生成（晶粒尺寸、圓度和長(zhǎng)短軸比）；③ 兩兩組合參數(shù)控制生成；④ 同時(shí)使用三個(gè)參數(shù)進(jìn)行控制。通過(guò)對(duì)比生成圖像與真實(shí)數(shù)據(jù)的誤差,評(píng)估各參數(shù)的影響,從而此三類參數(shù)在生成過(guò)程中的作用。 

基于不同參數(shù)約束的消融試驗(yàn)結(jié)果對(duì)比如表3所示,可見(jiàn),不同約束條件下生成的圖像與真實(shí)幾何結(jié)構(gòu)特征數(shù)據(jù)之間的相對(duì)誤差存在顯著差異。無(wú)約束條件下的平均誤差最大,為17.39%；結(jié)合晶粒尺寸、圓度和長(zhǎng)短軸比的完整約束條件下的誤差最小,平均值為9.163%。單獨(dú)使用某一約束條件時(shí),晶粒尺寸的約束效果最好,誤差平均值為9.643%。 

試驗(yàn)結(jié)果表明,單一超聲評(píng)價(jià)結(jié)果不足以準(zhǔn)確控制生成圖像的幾何形態(tài)。綜合晶粒尺寸、圓度和長(zhǎng)短軸比3個(gè)參數(shù)能夠有效約束生成過(guò)程,得到更接近真實(shí)組織結(jié)構(gòu)的虛擬微觀組織圖像,驗(yàn)證了3類超聲評(píng)價(jià)結(jié)果在微觀組織圖像生成中的必要性和充分性。 

6.   結(jié)論

提出了一種結(jié)合超聲評(píng)價(jià)和擴(kuò)散生成模型的二維虛擬微觀組織結(jié)構(gòu)圖像生成方法,并通過(guò)試驗(yàn)驗(yàn)證了其有效性。與傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)方法相比,該方法在結(jié)合超聲檢測(cè)提供的幾何約束數(shù)據(jù)后,能夠更準(zhǔn)確地重現(xiàn)合金材料的微觀組織結(jié)構(gòu)。試驗(yàn)結(jié)果顯示,基于超聲評(píng)價(jià)數(shù)據(jù)的擴(kuò)散生成方法在晶粒尺寸、圓度和長(zhǎng)短軸比的精度上具有顯著優(yōu)勢(shì),生成的虛擬微觀組織結(jié)構(gòu)圖像在形貌分布上與真實(shí)微觀組織結(jié)構(gòu)圖像高度一致。定量分析表明,該方法在較小誤差范圍內(nèi)重構(gòu)了合金的幾何結(jié)構(gòu)特征,驗(yàn)證了其在生成高精度虛擬微觀組織結(jié)構(gòu)圖像中的潛力。該研究為基于超聲評(píng)價(jià)數(shù)據(jù)的虛擬材料表征提供了新途徑,并為未來(lái)的材料微觀組織建模和虛擬試驗(yàn)提供了參考。 

文章來(lái)源——材料與測(cè)試網(wǎng)