Çok modlu yorgunluk kırılma yüzeyi görüntülerinin CNN ile analiz için birleştirilmesi

Neden küçük çatlaklar önemlidir

Günlük teknolojiler—jet motorlarından tıbbi implantlara—milyonlarca yük döngüsünü aniden kırılmadan atlatabilen metal parçalara dayanır. Yine de mühendislik arızalarının çoğu, felakete yol açana dek yavaşça büyüyen, çoğunlukla görünmez küçük çatlaklar olarak başlar. Bu makale, bu çatlakların kırılmış metal yüzeylerinde bıraktığı “parmak izlerini” nasıl okumayı ve farklı mikroskop görüntülerini modern yapay zeka ile birleştirmenin bu parmak izlerini bir parçanın nasıl ve neden arızalandığına dair erken uyarılara nasıl dönüştürebileceğini araştırıyor.

Kırılmış metali yeni yollarla görmek

Tekrarlı yüklemeyle bir metal parça kırıldığında, açığa çıkan yüzey düz olmaktan uzaktır. Yüzey, çatlağın nasıl başladığını ve büyüdüğünü kaydeden sırtlar, vadiler ve dokularla kaplı desenler taşır. Geleneksel olarak, eğitimli uzmanlar güçlü mikroskoplarla bu kırılma yüzeylerini göze bakarak inceler ve gördüklerini yorumlamak için deneyime güvenir. Yazarlar, havacılık bileşenlerinde yaygın olarak kullanılan Ti-6Al-4V adlı genişçe kullanılan bir titanyum alaşımına odaklanıyor. Bilgisayarların bu karmaşık yüzeyleri yalnızca kırılma biçimini etiketlemekle kalmayıp, aynı zamanda bir çatlağın ne kadar hızlı büyüdüğü ve orijinal yük hattından ne kadar uzakta olduğu gibi, parçanın kalan ömrüyle doğrudan ilişkili pratik nicelikleri tahmin etmeyi öğrenip öğrenemeyeceğini sorguluyorlar.

Aynı kırılmış yüzeyin üç görüntüsü

Çalışma, her biri aynı kırılma yüzeyinin farklı yönlerini açığa çıkaran üç ayrı görüntüleme yöntemini birleştiriyor. İlk olarak, taramalı elektron mikroskobundan alınan ikincil elektron (SE) görüntüleri ince topografiyi—yüzeydeki küçük sırtlar ve çukurları—yakalar. İkinci olarak, geri saçılmış elektron (BSE) görüntüleri, alaşımın farklı fazlarının çatlamaya nasıl tepki verdiğini vurgulayarak alt mikro yapıda farklılıkları öne çıkarır. Üçüncü olarak, taramalı beyaz ışık interferometrisi (SWLI) yüzeyin gerçek bir yükseklik haritasını sağlar ve daha geniş alanlarda pürüzlülüğe ilişkin hassas üç boyutlu bilgi sunar. Bu üç görüntü türünü, aynı mikroskobik özelliklerin hizalanmasını sağlayacak şekilde dikkatle eşleştirerek, yazarlar bunları tek bir bileşik görüntünün kırmızı, yeşil ve mavi renk kanallarına yerleştirir; böylece standart bir görüntü tanıma sinir ağına beslenebilecek hale getirirler.

Kırılma parmak izlerini okumayı bir sinir ağına öğretmek

Araştırmacı ekip, başlangıçta günlük fotoğraflar üzerinde eğitilmiş bir konvolüsyonel sinir ağı kullanır ve onu bileşik kırılma görüntülerindeki desenleri tanıyacak şekilde uyarlar. Kırılma yüzeyinin büyük taramalarını çatlak yolunun küçük bir yamacını temsil eden birçok küçük karoya kırparlar. Her karo için ağdan iki şey yapması istenir: numunenin dövme yönünü sınıflandırmak (metal işleme biçiminin bir gösterimi olarak) ve çatlağın doğrultusu boyunca mesafe ve çatlak büyüme hızı gibi sayısal değerleri tahmin etmek. Önce her görüntüleme yöntemini tek başına test ederler, ardından performans açısından sıralamanın önemli olup olmadığını görmek için SE, BSE ve SWLI’yi üç renk kanalına atamanın tüm altı olası yolunu denerler.

Bileştirilmiş görüntülerin ortaya koydukları

Bireysel olarak her teknik önemli bir katkı sağlar. Gerçek yüzey yüksekliğini ölçen SWLI, çatlağın numune boyunca ne kadar ilerlediğini tahmin etmede en başarılı olanıdır. BSE görüntüleri, muhtemelen çatlakların yayılmasını etkileyen alaşım fazlarındaki farklılıkları vurguladıkları için dövme yönünü tanımlamada öne çıkar. SE görüntüleri ise ikisi arasında bir performans sergiler. Üç modalite tek bir renkli görüntüde birleştirildiğinde, modeller önemli ölçüde daha doğru ve veri bölünmeleri arasında daha güvenilir hale gelir. En iyi kombinasyon, yalnızca tek bir görüntüleme yöntemi kullanan önceki çalışmalara kıyasla çatlak uzunluğu tahmin hatasını neredeyse yarı yarıya indirir ve yön sınıflandırmasını mevcut veriler üzerinde neredeyse mükemmel doğruluğa getirir. Ağ ayrıca, göreceli olarak küçük veri setine rağmen, gerçekçi bir aralıkta çatlak büyüme hızını da yaklaşık %10 hata ile tahmin edebilir.

Bu yaklaşımın arıza analizini neden değiştirebileceği

Daha iyi sayılardan öte, çalışma güçlü bir fikri gösteriyor: Çok farklı cihazlardan elde edilen veriler, sıfırdan yeni algoritmalar tasarlamaya gerek kalmadan hazır görsel ağların sindirebileceği bir biçimde birleştirilebilir. Yükseklik haritalarını ve elektron görüntülerini tek bir resimde farklı “renkler” olarak ele almak, sinir ağının yüzey pürüzlülüğü, mikro yapı ve yükleme geçmişi arasındaki ince bağlantıları keşfetmesine olanak tanır. Mühendisler için bu, arızalanmış bir parçanın kırık yüzeyinin bir kez taranıp yazılımın çatlağın nasıl büyüdüğüne ve hangi koşullar altında gerçekleştiğine dair nicel tahminleri hızla sağlayabildiği bir geleceğe işaret eder. Bu tür araçlar, arıza soruşturmalarını iyileştirebilir, daha güvenli tasarımlara yol gösterebilir ve eninde sonunda bileşenler hizmetteyken kırılma noktasına ulaşmadan önce izlenmelerine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: yorgunluk kırılması, çok modlu görüntüleme, konvolüsyonel sinir ağları, malzeme arızası analizi, titanyum alaşımları