Predicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning

ملخص تقني: FATIGUECV – التنبؤ بعمر الكلال للصلب من الصور المجهرية باستخدام التعلم العميق المستند إلى الفيزياء

بيان المشكلة
يعتمد التقييم التقليدي لعمر الكلال ($N_f$) للهياكل الفولاذية على اختبارات (S–N) المدمرة والمتحكم بها عبر الأحمال، والتي تتطلب ما بين 50 إلى 500 ساعة لكل عينة. هذا النطاق الزمني يجعل الطريقة غير عملية لضبط الجودة السريع في القطاعات الحساسة للأوزان الخفيفة (السيارات، السكك الحديدية، الطيران). وبينما يعد الفحص المجهري البصري خطوة روتينية في ضبط الجودة لالتقاط الدوافع المجهرية للكلال (البنية الحبيبية، مورفولوجيا الشقوق، المسامية)، لا توجد حالياً طريقة مستقرة لتحويل هذه البيانات المرئية النوعية إلى تقدير كمي ومعاير لعمر الكلال. علاوة على ذلك، تعتمد نهج تعلم الآلة الحالية للكلال عادةً على مدخلات جدولية (التركيب، الخواص الميكانيكية) أو تفشل في تقديم تقدير لعدم اليقين لكل عينة، وهو أمر بالغ الأهمية لضمان السلامة.

المنهجية: مسار FATIGUECV
يقدم المؤلف FATIGUECV، وهو إطار عمل للرؤية الحاسوبية متكامل (end-to-end) لتقدير $\log_{10}(N_f)$ وعدم اليقين الخاص بكل عينة مباشرة من الصور المجهرية البصرية. يتكون المسار من أربع طبقات متتالية:

1. توليد البيانات الاصطناعية:
   نظراً لافتقار مجموعات البيانات العامة التي تربط الصور المجهرية بعمر الكلال الحقيقي (ground-truth)، طور المؤلف مولداً اصطناعياً مقيداً بالفيزياء. يقوم هذا المولد بمحاكاة الصور المجهرية باستخدام تقسيم "فورونوي" (Voronoi tessellation) للهياكل الحبيبية، والمسارات العشوائية المترابطة لانتشار الشقوق، وتوزيع "بواسون" للفجوات. يتم تعيين التسميات (labels) عبر معادلة انحدار مستوحاة من الفيزياء (المعادلة 1) تدمج شدة الشقوق، والمسامية، وحجم الحبيبات (علاقة هول-بيتش)، وكثافة الشوائب، بالإضافة إلى التشتت المتأصل في المادة.

2. المعالجة المسبقة من سبع مراحل (OpenCV):
   يحتوي المسار المتخصص على معالجة لتنظيف الصور المجهرية الخام لإزالة العيوب الشائعة في علم المعادن البصري. تشمل المراحل:

• بوابات مراقبة الجودة (Laplacian blur, SNR).
• قص الحواف لإزالة أشرطة القياس (scale bars).
• تقليل الضوضاء باستخدام "الوسائل غير المحلية" (Non-local means) للحفاظ على حدة الحواف.
• طرح الخلفية باستخدام كرة التدحرج (rolling-ball) وتصحيح الإضاءة باستخدام تقنية (CLAHE).
• مورفولوجيا "القبعة السوداء" متعددة الاتجاهات ودمج تدرج "شار" (Scharr-gradient) لتعزيز الشقوق.
• زيادة الحدة وإعادة التحجيم إلى $224 \times 224$ بكسل.
• النتيجة: رفعت هذه المرحلة من استدعاء (recall) اكتشاف الشقوق من 61% إلى 89% وحسنت تجانس الإضاءة بنسبة 54%.

3. استخراج الميزات المستند إلى الفيزياء:
   يتم تعيين كل صورة لمتجه ميزات مكون من 28 بُعداً ($x \in \mathbb{R}^{28}$) مشتق صراحة من ميكانيكا الكلال. تُصنف الميزات إلى خمس فئات: مورفولوجيا الشقوق (العدد، الطول، التفرع)، البنية الحبيبية (الحجم، التوزيع)، المسامية (كسر الفراغات)، النسيج (مقاييس GLCM)، وخصائص التدرج/الكسورية (البعد الكسوري $D_f$).

4. الانحدار ذو الرأس المزدوج (Dual-Head CNN):
   يستخدم النظام شبكة عصبية تلافيفية (تم اختبارها مع نماذج SE-CNN، وResNet-50، وVGG-16) برأسين للمخرجات:

• رأس المتوسط ($\hat{\mu}$): يتنبأ بـ $\log_{10}(N_f)$.
• رأس التباين اللوغاريتمي ($\hat{s}$): يتنبأ بـ $\log \hat{\sigma}^2$، مما يرمز لعدم اليقين "الألياتوري" (aleatoric uncertainty) لكل عينة.
• هدف التدريب: يتم تدريب الشبكة باستخدام دالة فقدان "اللوغاريتم السالب للاحتمالية الغاوسية" (GNLL). يسمح هذا للنموذج بتعلم عدم اليقين "الهيتيروسيداستيك" (heteroscedastic)، حيث يتكيف التباين المتوقع مع المدخلات (مثلاً: عدم يقين أعلى للعينات المتضررة بشدة ذات التشتت العالي).

النتائج الرئيسية
تم التقييم على مجموعة اختبار اصطناعية محجوزة (200 صورة):

• أداء الانحدار: حققت بنية ResNet-50 أفضل أداء بمعامل تحديد $R^2 = 0.93$، وجذر متوسط مربع الخطأ (RMSE) قدره 0.18 دورة لوغاريتمية، ومتوسط الخطأ المطلق (MAE) قدره 0.14. وقد تفوق هذا على SE-CNN ($R^2=0.88$) وVGG-16 ($R^2=0.91$)، وكذلك على نموذج دعم متجه الانحدار (SVR) الجدولي كخط أساس من الأدبيات السابقة ($R^2=0.87$).
• معايرة عدم اليقين: حسنت دالة GNLL المعايرة بشكل كبير مقارنة بخط الأساس MSE. انخفض خطأ المعايرة المتوقع (ECE) من 0.089 (MSE) إلى 0.021 (GNLL)، أي انخفاض بنسبة 76%. احتوت فترات الثقة الاسمية 95% تجريبياً على 93.8% من عينات الاختبار.
• تصنيف المخاطر: يصنف النظام العينات إلى أربعة مستويات خطر (منخفض إلى حرج) مع درجة F1 كلي (macro-F1) بلغت 0.91. وكان استدعاء المستوى الحرج 0.90.
• القابلية للتفسير: أكد تحليل Grad-CAM أن الشبكة تنتبه لميزات ذات معنى معدني. حيث تحولت خرائط الانتباه من حدود الحبيبات (خطر منخفض) إلى مواقع نشوء الشقوق (خطر متوسط)، ثم رؤوس الشقوق (خطر عالٍ)، وصولاً إلى شبكات الشقوق المنتشرة (خطر حرج)، وهو ما يتوافق مع مراحل تلف الكلال المعروفة (Suresh, 1990).
• الكفاءة: زمن الاستدلال أقل من 65 ميلي ثانية لكل صورة.

الأهمية والادعاءات
يضع البحث FATIGUECV كـ إثبات مفهوم منهجي وليس كحل جاهز للتطبيق المباشر على الصلب الحقيقي فوراً. يذكر المؤلف صراحة أن جميع النتائج مستمدة من اختبار مرجعي اصطناعي حيث يتم تعريف الحقيقة الأرضية بواسطة فيزياء المحاكاة.

المساهمات الرئيسية هي:

1. أول نظام انحدار من "صورة-إلى-عمر" مع عدم اليقين: هو أول نظام يقوم بعملية انحدار متكاملة من الصورة المجهرية إلى عمر الكلال مع توفير حدود معايرة لعدم اليقين لكل عينة.
2. التحيز الاستقرائي المستند إلى الفيزياء: إن دمج متجه ميزات مكون من 28 بُعداً مشتق من ميكانيكا الكلار مع دالة فقدان GNLL يخلق تحيزاً استقرائياً قوياً يستعيد العلاقات الفيزيائية المعروفة من الصور.
3. المعالجة المسبقة المتخصصة في علم المعادن: مسار مكون من سبع مراحل مصمم خصيصاً لعيوب المجهر البصري، مما يحسن رؤية الميزات بشكل كبير.
4. مرجع اصطناعي مفتوح المصدر: إصدار مولد بيانات اصطناعية قابل للضبط وموسوم فيزيائياً لتمكين الاختبارات المرجعية القابلة للتكرار ودراسات نقل المجال المستقبلية.

القيود والعمل المستقبلي
كان المؤلف متواضعاً فيما يتعلق بالنطاق الحالي، حيث سلط الضوء على أربعة قيود رئيسية:

1. الفجوة بين الاصطناعي والحقيقي: لم يتم اختبار النموذج على صور مجهرية حقيقية للصلب؛ لذا يتطلب الأمر تكييف النطاق (مثل نقل الأسلوب - style transfer) وإعادة التحقق على عينات فيزيائية.
   يدل ذلك على أن الخطوة التالية المباشرة هي دراسة نقل المجال على عينات ميدانية حقيقية للتحقق من الصلاحية التنبؤية.