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

Technisches Resümee: FATIGUECV – Vorhersage der Ermüdungslebensdauer von Stahl mittels mikrografischer Daten durch physik-informiertes Deep Learning

Problemstellung
Die konventionelle Bewertung der Ermüdungslebensdauer ($N_f$) von Baustahl beruht auf destruktiven, lastgesteuerten S–N-Tests, die pro Probe 50 bis 500 Stunden erfordern. Dieser Zeitrahmen macht die Methode für die schnelle Qualitätskontrolle in leichtgewichtskritischen Sektoren (Automobilbau, Schienenverkehr, Luftfahrt) unpraktikabel. Während die Lichtmikroskopie ein routinemäßiger Schritt der Qualitätskontrolle ist, der die mikrostrukturellen Treiber der Ermüdung (Kornstruktur, Rissmorphologie, Porosität) erfasst, gibt es derzeit keine etablierte Methode, um diese qualitativen visuellen Daten in eine quantitative, kalibrierte Schätzung der Ermüdungslebensdauer umzuwandeln. Darüber hinaus verlassen sich bestehende Ansätze des maschinellen Lernens für die Ermüdung typischerweise auf tabellarische Eingaben (Zusammensetzung, mechanische Eigenschaften) oder versäumnen es, eine probenspezifische Unsicherheitsquantifizierung bereitzustellen, was für die Sicherheitsgewährleistung entscheidend ist.

Methodik: Die FATIGHECV-Pipeline
Der Autor präsentiert FATIGUECV, ein End-to-End-Computer-Vision-Framework, das $\log_{10}(N_f)$ und die probenspezifische Unsicherheit direkt aus Lichtmikrografien schätzt. Die Pipeline besteht aus vier sequenziellen Schichten:

1. Synthetische Datengenerierung:
   Aufgrund des Fehlens öffentlicher Datensätze, die Mikrografien mit der Grundwahrheit (Ground Truth) der Ermüdungslebensdauer koppeln, hat der Autor einen physik-beschränkten synthetischen Generator entwickelt. Dieser simuliert Mikrografien mittels Voronoi-Tesselierung für Kornstrukturen, korrelierten Random Walks für die Rissausbreitung und Poisson-verteilten Hohlräumen. Die Labels werden über eine physik-motivierte Regressionsgleichung (Gleichung 1) vergeben, die Rissintensität, Porosität, Korngröße (Hall–Petch-Beziehung) und Einschlussdichte sowie die inhärente Materialstreuung berücksichtigt.

2. Siebenstufige Vorverarbeitung (OpenCV):
   Eine spezialisierte Pipeline bereinigt Roh-Mikrografien von Artefakten, die bei der optischen Metallografie häufig vorkommen. Die Stufen umfassen:

   • Qualitätskontroll-Gating (Laplacian-Blur, SNR).
   • Randbeschnitt zur Entfernung von Maßstabsbalken.
   • Non-local Means Denoising (zur Erhaltung der Kantenschärfe).
   • Rolling-Ball-Hintergrundsubtraktion und CLAHE zur Beleutungskorrektur.
   • Multi-Orientierungs-Black-Hat-Morphologie und Scharr-Gradienten-Fusion zur Risseverstärkung.
   • Schärfung und Größenanpassung auf $224 \times 224$ px.
   • Ergebnis: Diese Stufe erhöht die Recall-Rate der Risserkennung von 61 % auf 89 % und verbessert die Gleichmäßigkeit der Beleuchtung um 54 %.

3. Physik-informierte Merkmalsextraktion:
   Jedes Bild wird auf einen 28-dimensionalen Merkmalsvektor ($x \in \mathbb{R}^{28}$) abgebildet, der explizit aus der Ermüdungsmechanik abgeleitet wurde. Die Merkmale sind in fünf Kategorien gruppiert: Rissmorphologie (Anzahl, Länge, Verzweigung), Kornstruktur (Größe, Verteilung), Porosität (Hohlraumanteil), Textur (GLCM-Metriken) sowie Gradienten- und Fraktaleigenschaften (Fraktale Dimension $D_f$).

4. Dual-Head CNN-Regression:
   Das System verwendet ein Convolutional Neural Network (getestet mit SE-CNN, ResNet-50 und VGG-16 Backbones) mit zwei Output-Heads:

   • Mean Head ($\hat{\mu}$): Prädiktion von $\log_{10}(N_f)$.
   • Log-Variance Head ($\hat{s}$): Prädiktion von $\log \hat{\sigma}^2$, welches die probenspezifische aleatorische Unsicherheit kodiert.
   • Trainingsziel: Das Netzwerk wird mittels einer Gaußschen negativen Log-Likelihood (GNLL) Loss-Funktion trainiert. Dies ermöglicht es dem Modell, heteroskedastische Unsicherheit zu erlernen, wobei sich die vorhergesagte Varianz an den Input anpasst (z. B. höhere Unsicherheit bei stark beschädigten Proben mit hoher Streuung).

Wesentliche Ergebnisse
Evaluierung auf einem gehaltenen synthetischen Testdatensatz (200 Bilder):

• Regressionsleistung: Die ResNet-50 Architektur erzielte die beste Leistung mit einem $R^2 = 0,93$, RMSE = 0,18 Log-Zyklen und MAE = 0,14. Dies übertraf SE-CNN ($R^2=0,88$), VGG-16 ($R^2=0,91$) sowie eine tabellarische Support Vector Regression Baseline ($R^2=0,87$) aus früherer Literatur.
• Unsicherheitskalibrierung: Das GNLL-Ziel verbesserte die Kalibrierung signifikant im Vergleich zu einer Mean Squared Error (MSE) Baseline. Der Expected Calibration Error (ECE) sank von 0,089 (MSE) auf 0,021 (GNLL), was einer Reduktion um 76 % entspricht. Die nominellen 95 %-Konfidenzintervalle enthielten empirisch 93,8 % der Testproben.
• Risikoklassifizierung: Das System klassifiziert Proben in vier Risikostufen (LOW bis CRITICAL) mit einem Macro-F1-Score von 0,91. Die Recall-Rate für die kritische Stufe lag bei 0,90.
• Erklärbarkeit: Eine Grad-CAM-Analyse bestätigte, dass das Netzwerk auf metallurgisch bedeutsame Merkmale achtet. Die Attention-Maps verschoben sich von Korngrenzen (LOW Risiko) zu Risskeimstellen (MEDIUM), Rissspitzen (HIGH) und durchgängigen Rissnetzwerken (CRITICAL), was mit etablierten Stadien der Ermüdungsschädigung (Suresh, 1990) übereinstimmt.
• Effizienz: Die Inferenzzeit liegt unter 65 ms pro Bild.

Bedeutung und Ansprüche
Das Paper positioniert FATIGUECV als einen methodischen Proof-of-Concept und nicht als sofort einsatzfähige Lösung für realen Stahl. Der Autor stellt explizit klar, dass alle Ergebnisse aus einem synthetischen Benchmark stammen, bei dem die Ground Truth durch die Simulationsphysik definiert ist.

Die primären Beiträge sind:

1. Erste Image-to-Life-Regression mit Unsicherheit: Es ist das erste System, das eine End-to-End-Regression von der Mikrografie zur Ermüdungslebensdauer unter gleichzeitiger Bereitstellung kalibrierter, probenspezifischer Unsicherheitsgrenzen durchführt.
2. Physik-geleiteter Induktiver Bias: Die Integration eines 28-dimensionalen Merkmalsvektors, der aus der Ermüdungsmechanik abgeleitet wurde, sowie eine GNLL-Loss-Funktion erzeugen einen starken induktiven Bias, der bekannte physikalische Beziehungen aus Bildern rekonstruiert.
3. Metallografie-spezifische Vorverarbeitung: Eine neuartige siebenstufige Pipeline, die speziell auf Artefakte der optischen Mikroskopie zugeschnitten ist und die Sichtbarkeit von Merkmalen signifikant verbessert.
4. Open-Source Synthetischer Benchmark: Die Veröffentlichung eines konfigurierbaren, physikalisch gelabelten synthetischen Datengenerators zur Ermöglichung reproduzierbarer Benchmarking- und zukünftiger Domain-Transfer-Studien.

Limitierungen und Zukünftige Arbeit
Der Autor geht bescheiden mit dem aktuellen Umfang um und hebt vier zentrale Limitierungen hervor:

1. Synthetic-to-Real Gap: Das Modell wurde noch nicht an realen Stahlmikrografien getestet; Domain Adaptation (z. B. Style Transfer) und eine Re-Validierung an physischen Proben sind erforderlich.
2. Materialumfang: Die Pipeline ist auf Kohlenstoff- und niedriglegierte Stähle optimiert; andere Legierungen (Ti, Al) würden eine Neugestaltung erfordern.
3. 2-D-Projektion: Die optische Mikroskopie kann keine unter der Oberfläche liegenden Defekte detektieren; die Integration von 3-D-Modalitäten (Röntgen-CT) ist geplant.
4. Ganzheitliche Prädiktion: Das Modell sagt die Gesamtlebensdauer ($N_f$) voraus, anstatt zwischen Initiierungs- und Propagationsphasen zu unterscheiden.

Das Paper schließt damit, dass die Methode zwar unter simulierten Bedingungen eine fundierte Methodik zeigt, der nächste notwendige Schritt jedoch eine Domain-Transfer-Studie an realen Feldproben ist, um die prädiktive Validität zu bestätigen.