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

Sintesi Tecnica: FATIGUECV – Predizione della vita a fatica dell'acciaio tramite micrografie utilizzando il Deep Learning guidato dalla fisica

Problematica
La valutazione convenzionale della vita a fatica ($N_f$) di acciai strutturali si basa su test S–N distruttivi a controllo di carico, che richiedono da 50 a 500 ore per ogni provino. Questa scala temporale rende il metodo impraticabile per un rapido controllo qualità in settori critici per la leggerezza (automotive, ferrovie, aerospazio). Sebbene la microscopia ottica sia una fase di routine nel controllo qualità per catturare i driver microstrutturali della fatica (struttura del grano, morfologia delle crepe, porosità), non esiste attualmente un metodo stabilito per convertire questi dati visivi qualitativi in una stima quantitativa e calibrata della vita a fatica. Inoltre, gli approcci di machine learning esistenti per la fatica si affidano tipicamente a input tabulari (composizione, proprietà meccaniche) o non riescono a fornire la quantificazione dell'incertezza per singolo campione, elemento critico per l'assicurazione della sicurezza.

Metodologia: La Pipeline FATIGUECV
L'autore presenta FATIGUECV, un framework di computer vision end-to-end che stima $\log_{10}(N_f)$ e l'incertezza specifica del campione direttamente da micrografie ottiche. La pipeline consiste in quattro livelli sequenziali:

1. Generazione di Dati Sintetici:
   A causa della mancanza di dataset pubblici che accoppino le micrografie con la vita a fatica reale (ground-truth), l'autore ha sviluppato un generatore sintetico vincolato dalla fisica. Esso simula le micrografie utilizzando la tassellazione di Voronoi per le strutture del grano, random walk correlati per la propagazione delle crepe e vuoti distribuiti secondo una legge di Poisson. Le etichette sono assegnate tramite un'equazione di regressione motivata dalla fisica (Eq. 1) che incorpora la severità delle crepe, la porosità, la dimensione del grano (relazione di Hall–Petch) e la densità di inclusioni, oltre alla naturale dispersione del materiale.

2. Pre-elaborazione in sette fasi (OpenCV):
   Una pipeline specializzata pulisce le micrografie grezze per rimuovere gli artefatti comuni nella metallografia ottica. Le fasi includono:

   • Controllo qualità (Laplacian blur, SNR).
   • Ritaglio dei bordi per rimuovere le barre di scala.
   • Denoising mediante medie non locali (preservando la nitidezza dei bordi).
   • Sottrazione dello sfondo tramite "rolling-ball" e CLAHE per la correzione dell'illuminazione.
   • Morfologia black-hat multi-orientamento e fusione del gradiente di Scharr per il potenziamento delle crepe.
   • Nitidezza (sharpening) e ridimensionamento a $224 \times 224$ px.
   • Risultato: Questa fase aumenta il richiamo (recall) del rilevamento delle crepe dal 61% all'89% e migliora l'uniformità dell'illuminazione del 54%.

3. Estrazione delle Caratteristiche Guidata dalla Fisica:
   Ogni immagine è mappata in un vettore di caratteristiche a 28 dimensioni ($x \in \mathbb{R}^{28}$) derivato esplicitamente dalla meccanica della fatica. Le caratteristiche sono raggruppate in cinque categorie: morfologia delle crepe (numero, lunghezza, ramificazione), struttura del grano (dimensione, distribuzione), porosità (frazione di vuoti), texture (metriche GLCM) e proprietà di gradiente/frattale (dimensione frattale $D_f$).

4. Regressione CNN a Doppia Testa:
   Il sistema impiega una rete neurale convoluzionale (testata con backbone SE-CNN, ResNet-50 e VGG-16) con due teste di output:

   • Testa della Media ($\hat{\mu}$): Predice $\log_{10}(N_f)$.
   • Testa della Varianza Logaritmica ($\hat{s}$): Predice $\log \hat{\sigma}^2$, codificando l'incertezza aleatoria per campione.
   • Obiettivo di Addestramento: La rete è addestrata utilizzando una perdita di Log-Verosimiglianza Negativa Gaussiana (GNLL). Ciò consente al modello di apprendere l'incertezza eteroschedastica, dove la varianza predetta si adatta all'input (ad esempio, incertezza maggiore per campioni pesantemente danneggiati con alta dispersione).

Risultati Chiave
Valutato su un set di test sintetico non visto (200 immagini):

• Performance di Regressione: L'architettura ResNet-50 ha ottenuto le migliori prestazioni con un $R^2 = 0,93$, RMSE = 0,18 cicli logaritmici e MAE = 0,14. Ha superato la SE-CNN ($R^2=0,88$) e la VGG-16 ($R^2=0,91$), nonché la baseline di regressione vettori supportati (SVR) tabulare ($R^2=0,87$) tratta dalla letteratura precedente.
• Calibrazione dell'Incertezza: L'obiettivo GNLL ha migliorato significativamente la calibrazione rispetto alla baseline MSE. L'Errore di Calibrazione Attesa (ECE) è sceso da 0,089 (MSE) a 0,021 (GNLL), una riduzione del 76%. Gli intervalli di confidenza nominali al 95% hanno contenuto empiricamente il 93,8% dei campioni di test.
• Classificazione del Rischio: Il sistema classifica i campioni in quattro livelli di rischio (da LOW a CRITICAL) con un macro-F1 score di 0,91. Il richiamo (recall) per il livello CRITICAL è stato di 0,90.
• Spiegabilità: L'analisi Grad-CAM ha confermato che la rete presta attenzione a caratteristiche metallurgicamente significative. Le mappe di attenzione si sono spostate dai bordi del grano (rischio LOW) ai siti di nucleazione delle crepe (MEDIUM), alle punte delle crepe (HIGH) e alle reti di crepe pervasive (CRITICAL), allineandosi con le fasi consolidate del danno da fatica (Suresh, 1990).
• Efficienza: Il tempo di inferenza è inferiore a 65 ms per immagine.

Significato e Rivendicazioni
Il documento posiziona FATIGUECV come una prova di concetto metodologica piuttosto che una soluzione immediatamente implementabile per l'acciaio reale. L'autore dichiara esplicitamente che tutti i risultati derivano da un benchmark sintetico dove la verità fondamentale è definita dalla fisica della simulazione.

I principali contributi sono:

1. Prima Regressione Immagine-Vita con Incertezza: È il primo sistema che esegue congiuntamente la regressione end-to-end da micrografia a vita a fatica fornendo al contempo limiti di incertezza calibrati per campione.
2. Bias Induttivo Guidato dalla Fisica: L'integrazione di un vettore di caratteristiche a 28 dimensioni derivato dalla meccanica della fatica e di una funzione di perdita GNLL crea un forte bias induttivo che recupera le relazioni fisiche note dalle immagini.
3. Pre-elaborazione Specifica per la Metallografia: Una pipeline innovativa in sette fasi adattata specificamente agli artefatti della microscopia ottica, che migliora significativamente la visibilità delle caratteristiche.
4. Benchmark Sintetico Open-Source: Il rilascio di un generatore di dati sintetici configurabile e con etichette fisiche per consentire il benchmarking riproducibile e futuri studi di trasferimento del dominio.

Limitazioni e Lavoro Futuro
L'autore è modesto riguardo all'attuale portata del progetto, evidenziando quattro limitazioni chiave:

1. Gap tra Sintetico e Reale: Il modello non è stato testato su micrografie di acciaio reale; sono necessari l'adattamento del dominio (es. style transfer) e la rivalidazione su campioni fisici.
2. Ambito dei Materiali: La pipeline è tarata per acciai al carbonio e a bassa lega; altri materiali (Ti, Al) richiederebbero una riprogettazione.
3. Proiezione 2-D: La microscopia ottica non può rilevare difetti sottosuperficiali; l'integrazione con modalità 3-D (X-ray CT) è pianificata.
4. Predizione Olistica: Il modello predice la vita totale ($N_f$) piuttosto che separare le fasi di iniziazione e propagazione.

Il documento conclude che, sebbene il metodo dimostri solidità in condizioni simulate, il passo successivo immediato è uno studio di trasferimento del dominio su campioni reali per validarne la validità predittiva.