שילוב תמונות שטח שבר בשלושה מצבי דימות לניתוח עם רשת עצבית מקונולוציה

מדוע סדקים זעירים חשובים

טכנולוגיות יומיומיות — ממנועי סילון ועד שתלים רפואיים — תלויות ברכיבי מתכת שיכולים לעמוד במיליוני מחזורי עומס מבלי להישבר בפתאומיות. עם זאת, רוב כשלים הנדסיים עדיין מתחילים כסדקים קטנים, כמעט לא נראים, שגדלים בהדרגה עד שמתרחש אסון. המאמר הזה בוחן כיצד לקרוא את ה"טביעות האצבע" שהסדקים משאירים על פני שטח השבר במתכות, וכיצד שילוב סוגי תמונות מיקרוסקופיות שונים עם בינה מלאכותית מודרנית יכול להפוך את הטביעות הללו לאזהרות מוקדמות על האופן והמניעים של הכשל.

מבט חדש על מתכת שבורה

כשחלק מתכתי נשבר בעקבות עומס חוזר, המשטח החשוף רחוק מלהיות חלק. הוא מכוסה בתבניות — רכסים, גאיות וטקסטורות — שמקליטים כיצד הסדק התחיל וגדל. באופן מסורתי, מומחים מיומנים בוחנים את משטחים אלה בעין דרך מיקרוסקופים רבי־עוצמה, נשענים על ניסיון לפרש את מה שהם רואים. המחברים מתמקדים בסגסוגת טיטניום נפוצה, Ti-6Al-4V, שמצויה ברכיבים אווירונאוטיים. הם שואלים האם מחשבים יכולים ללמוד לקרוא את המשטחים המורכבים האלה, לא רק לתייג את אופן השבר, אלא גם להעריך כמויות מעשיות כגון מהירות צמיחת הסדק וכמה הוא מרוחק מקו העומס המקורי — מידע שמקושר ישירות לשארית חיי החלק.

שלושה מבטים על אותו משטח שבור

המחקר משלב שלוש שיטות דימות שונות שכל אחת חושפת היבטים אחרים של אותו משטח שבר. ראשית, תמונות אלקטרונים משניים (SE) ממיקרוסקופ אלקטרוני סורק לוכדות טופוגרפיה עדינה — הרכסים והגומאים הקטנים על המשטח. שנית, תמונות אלקטרונים מוחזרים (BSE) מדגישות הבדלים במיקרו־מבנה התת־מישורי, ומבליטות כיצד שלבים שונים בסגסוגת מגיבים לשבירה. שלישית, אינטרפרומטריית אור לבן סורקת (SWLI) מספקת מפה גובה אמיתית של המשטח, ומעניקה מידע תלת־ממדי מדויק על השיפוע והמחוספסות באזורים רחבים יותר. על־ידי יישור זהיר של שלושת סוגי התמונות כך שהתכונות המיקרוסקופיות האותן יתאימו, המחברים ממקמים אותן בערוצים האדום, הירוק והכחול של תמונה מורכבת אחת שניתן להזין לרשת זיהוי תמונה סטנדרטית.

לימוד רשת עצבית לקרוא את טביעות האצבע של השבר

הצוות משתמש ברשת עצבית מקונולוציונית שאומנה במקור על צילומים יומיומיים ומתאים אותה לזיהוי דפוסים בתמונות השבר המורכבות. הם גוזרים סריקות גדולות של משטח השבר לריבוי אריחים קטנים, שכל אחד מהם מייצג חתיכת שביל סדק זעירה. עבור כל אריח, הרשת מתאמנת לבצע שתי משימות: לסווג את כיוון החישול של הדגימה (עומד כתחליף לאופן העיבוד של המתכת) ולחזות ערכים מספריים כגון המרחק לאורך הסדק וקצב צמיחת הסדק. הם בודקים תחילה כל שיטת דימות בנפרד, ואז בוחנים את כל ששת האפשרויות של הקצאת SE, BSE ו‑SWLI לערוצי הצבע השונים, כדי לראות האם הסדר משפיע על הביצועים.

מה שהתמונות המשולבות מגילות

כל טכניקה תורמת משהו חשוב בפני עצמה. SWLI, שמודדת את גובה המשטח האמיתי, טובה ביותר בחיזוי כמה הסדק התפתח לאורך הדגימה. תמונות BSE מצטיינות בזיהוי כיוון החישול, ככל הנראה משום שהן מדגישות הבדלים בשלבי הסגסוגת שמשפיעים על התפשטות הסדקים. תמונות SE ממוקמות באמצע בין השתיים. כאשר שלוש המודאליות נמסרות לתמונה צבעונית אחת, המודלים הופכים לדיוקים ואמינים יותר בין פיצולי הנתונים. השילוב הטוב ביותר מצמצם את הטעות בחיזוי אורך הסדק כמעט בחצי בהשוואה לעבודות קודמות שהשתמשו בשיטה אחת בלבד, ומשפר את סיווג הכיוון לכמעט דיוק מושלם על הנתונים הזמינים. הרשת יכולה גם להעריך את קצב צמיחת הסדק בטווח ריאלי, ומשיגה שגיאה של כ־10% בטווח זה, על אף גודל המערך הנתונים היחסי־קטן.

מדוע הגישה הזו עשויה לשנות את ניתוח הכשלים

מעבר לשיפורים בכמויות, המחקר מדגים רעיון חזק: נתונים מכלים שונים יכולים להימזג לצורה שניתנת לעיכול על־ידי רשתות חזון מסחריות, ללא צורך בעיצוב אלגוריתמים חדשים מאפס. התייחסות למפות גובה ותמונות אלקטרונים כ"צבעים" שונים בתמונה אחת מאפשרת לרשת לגלות קישורים עדינים בין מחוספסות המשטח, המיקרו־מבנה והיסטוריית העמסה. עבור מהנדסים, זה מצביע על עתיד שבו ניתן לסרוק פעם אחת את המשטח השבור של חלק שנכשל, ותוכנה תספק במהירות הערכות כמותיות כיצד הסדק גדל ובאילו תנאים. כלים כאלה יכולים לשפר חקירות כשל, להנחות עיצובים בטוחים יותר, ובסופו של דבר לסייע במעקב אחר רכיבים במבצע לפני שהם מגיעים לנקודת השבר.

ציטוט: Jones, K., Shade, P., John, R. et al. Combining multimodal fatigue fracture surface images for analysis with a CNN. Sci Rep 16, 9561 (2026). https://doi.org/10.1038/s41598-025-97184-z

מילות מפתח: שבר עייפות, דימות רב־מצבי, רשתות עצביות מקונולוציה, ניתוח כשלים של חומרים, סגסוגות טיטניום