Сочетание мульти­модальных изображений поверхности усталостного излома для анализа с помощью CNN

Почему важны крошечные трещины

Повседневные технологии — от авиационных двигателей до медицинских имплантатов — зависят от металлических деталей, способных выдерживать миллионы циклов нагрузки без внезапного разрушения. Тем не менее большинство инженерных отказов начинается с небольших, почти незаметных трещин, которые постепенно растут до катастрофы. В этой работе исследуется, как «отпечатки» таких трещин, оставшиеся на изломанных металлических поверхностях, можно прочитать, и как объединение разных типов микроскопических изображений с современными методами искусственного интеллекта может превратить эти отпечатки в ранние предупреждения о том, как и почему деталь вышла из строя.

Новый взгляд на сломанный металл

Когда металлическая деталь разрушается от повторной нагрузки, обнажённая поверхность далеко не гладкая. Она покрыта узорами — гребнями, впадинами и текстурами — которые фиксируют, как зародилась и росла трещина. Традиционно обученные эксперты осматривают такие поверхности невооружённым глазом в мощных микроскопах и на основе опыта интерпретируют увиденное. Авторы сосредотачиваются на широко используемом титановом сплаве Ti-6Al-4V, распространённом в авиастроении. Они спрашивают, могут ли компьютеры научиться «читать» эти сложные поверхности — не только классифицировать способ разрушения, но и оценивать практические величины, такие как скорость роста трещины и расстояние от исходной линии нагрузки — информацию, напрямую связанную с оставшимся ресурсом детали.

Три взгляда на одну и ту же поверхность излома

Исследование сочетает три различных метода визуализации, каждый из которых выявляет разные аспекты одной и той же поверхности излома. Во‑первых, изображения вторичных электронов (SE) в просвечивающем электронном микроскопе фиксируют тонкую топографию — мелкие гребни и ямки на поверхности. Во‑вторых, изображения обратного рассеянного электронного пучка (BSE) подчёркивают различия в микроструктуре, выделяя, как разные фазы сплава реагируют на распространение трещины. В‑третьих, интерферометрия белого света с обзорным сканированием (SWLI) даёт фактическую карту высот поверхности, обеспечивая точную трёхмерную информацию о шершавости на больших участках. Аккуратно выровняв эти три типа изображений так, чтобы одни и те же микроскопические особенности совпадали, авторы упаковывают их в красный, зелёный и синий каналы одного составного изображения, которое можно подать на вход стандартной нейросети для распознавания изображений.

Обучение нейросети чтению «отпечатков» излома

Команда использует сверточную нейронную сеть, изначально обученную на повседневных фотографиях, и адаптирует её для распознавания паттернов в составных изображениях излома. Они нарезают крупные сканы поверхности на множество маленьких тайлов, каждый из которых представляет собой крошечный участок пути трещины. Для каждого тайла сеть обучают решать две задачи: классифицировать направление ковки образца (как прокси для технологической обработки металла) и предсказывать численные величины, такие как расстояние вдоль трещины и скорость её роста. Сначала они тестируют каждый метод визуализации по отдельности, затем исследуют все шесть возможных способов назначения SE, BSE и SWLI к трём цветовым каналам, чтобы понять, влияет ли порядок каналов на результативность.

Что показывают объединённые изображения

По отдельности каждая техника вносит важную информацию. SWLI, измеряющая истинные высоты поверхности, лучше всего предсказывает, насколько далеко трещина продвинулась вдоль образца. BSE‑изображения превосходят в идентификации направления ковки, вероятно потому, что подчёркивают различия фаз сплава, влияющие на распространение трещин. SE‑изображения занимают промежуточное положение между ними. Когда три модальности объединяются в одно цветное изображение, модели становятся заметно точнее и стабильнее между разными разбиениями данных. Лучшая комбинация сокращает ошибку при предсказании длины трещины почти вдвое по сравнению с предыдущими работами, использовавшими только один метод визуализации, и доводит классификацию направления практически до идеальной точности на доступных данных. Сеть также способна оценивать скорость роста трещины в реалистичном диапазоне, достигая примерно 10% ошибки по этому интервалу, несмотря на относительно небольшой объём данных.

Почему этот подход может изменить анализ отказов

Кроме улучшения количественных показателей, исследование демонстрирует мощную идею: данные из очень разных приборов можно объединить в форму, которую «переваривают» стандартные сети компьютерного зрения, без разработки новых алгоритмов с нуля. Рассматривая карты высот и электронные изображения как разные «цвета» в одной картинке, нейросеть может обнаружить тонкие связи между шершавостью поверхности, микроструктурой и историей нагружения. Для инженеров это указывает на будущее, в котором поверхность излома повреждённой детали сканируют один раз, а программное обеспечение быстро даёт количественные оценки того, как трещина росла и в каких условиях. Такие инструменты могут улучшить расследования отказов, помочь в проектировании более безопасных конструкций и в перспективе — служить для мониторинга компонентов в эксплуатации до того, как они достигнут критического состояния.

Цитирование: 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

Ключевые слова: усталостный излом, мульти­модальная визуализация, сверточные нейронные сети, анализ разрушений материалов, титановые сплавы