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

Technische Samenvatting: FATIGUECV – Voorspellen van de vermoeidheidslevensduur van staal vanuit micrografen met behulp van Physics-Informed Deep Learning

Probleemstelling
Conventionele evaluatie van de vermoeidheidslevensduur ($N_f$) van structureel staal berust op destructieve, belastingsgecontroleerde S–N-testen die 50 tot 500 uur per specimen vereisen. Deze tijdschaal maakt de methode onpraktisch voor snelle kwaliteitscontrole in sectoren waar gewicht cruciaal is (automotive, spoorweg, luchtvaart). Hoewel optische microscopie een routinematige stap is in de kwaliteitscontrole die de microstructuur-gedreven factoren van vermoeidheid vastlegt (korrelstructuur, scheurmorfologie, porositeit), bestaat er momenteel geen gevestigde methode om deze kwalitatieve visuele data om te zetten in een kwantitatieve, gekalibreerde schatting van de vermoeidheidslevensduur. Bovendien vertrouwen bestaande machine learning-benaderingen voor vermoeidheid doorgaans op tabulaire inputs (samenstelling, mechanische eigenschappen) of falen in het bieden van per-sample onzekerheidskwantificatie, wat cruciaal is voor de veiligheidsborging.

Methodologie: De FATIGUECV-pipeline
De auteur presenteert FATIGUECV, een end-to-end computer vision-framework dat $\log_{10}(N_f)$ en samplespecifieke onzekerheid direct uit optische micrografen schat. De pipeline bestaat uit vier sequentiële lagen:

1. Synthetische Datageneratie:
   Vanwege het gebrek aan publieke datasets die micrografen koppelen aan de grondwaarheid van de vermoeidheidslevensduur, heeft de auteur een natuurkundig beperkte synthetische generator ontwikkeld. Deze simuleert micrografen met behulp van Voronoi-tessellatie voor korrelstructuren, gecorreleerde random walks voor scheurvoortplanting en Poisson-verdeelde holtes. Labels worden toegewezen via een natuurkundig gemotiveerde regressievergelijking (Gelijk. 1) die scheur Ernst (severity), porositeit, korrelgrootte (Hall–Petch-relatie) en inclusiedichtheid incorporeert, plus inherente materiaalspreiding.

2. Zevenstaps Preprocessing (OpenCV):
   Een gespecialiseerde pipeline reinigt ruwe micrografen om artefacten te verwijderen die gebruikelijk zijn bij optische metallografie. De fasen omvatten:

   • Kwaliteitscontrole-gating (Laplacian blur, SNR).
   • Rand-cropping om schaalbalken te verwijderen.
   • Non-local means denoising (behoud van rand-scherpte).
   • Rolling-ball achtergrondsubtractie en CLAHE voor illuminatiecorrectie.
   • Multi-oriëntatie black-hat morfologie en Scharr-gradiënt fusie voor scheurverbetering.
   • Verscherping en resizing naar $224 \times 224$ px.
   • Resultaat: Deze fase verhoogt de recall van scheurdetectie van 61% naar 89% en verbetert de uniformiteit van de illuminatie met 54%.

3. Physics-Informed Feature Extraction:
   Elke afbeelding wordt in kaart gebracht naar een 28-dimensionale feature vector ($x \in \mathbb{R}^{28}$) die expliciet is afgeleid van vermoeidheidsmechanica. Features zijn gegroepeerd in vijf categorieën: scheurmorfologie (aantal, lengte, vertakking), korrelstructuur (grootte, distributie), porositeit (holtefractie), textuur (GLCM-metrieken) en gradiënt/fractale eigenschappen (fractale dimensie $D_f$).

4. Dual-Head CNN Regression:
   Het systeem maakt gebruik van een Convolutional Neural Network (getest met SE-CNN, ResNet-50 en VGG-16 backbones) met twee output-heads:

   • Mean Head ($\hat{\mu}$): Voorspelt $\log_{10}(N_f)$.
   • Log-Variance Head ($\hat{s}$): Voorspelt $\log \hat{\sigma}^2$, wat de per-sample aleatorische onzekerheid codeert.
   • Trainingsdoel: Het netwerk wordt getraind met een Gaussian Negative Log-Likelihood (GNLL) loss. Dit stelt het model in staat om heteroscedastische onzekerheid te leren, waarbij de voorspelde variantie zich aanpast aan de input (bijv. hogere onzekerheid voor zwaar beschadigde specimens met hoge spreiding).

Belangrijkste Resultaten
Geëvalueerd op een onafhankelijke synthetische testset (200 afbeeldingen):

• Regressieprestaties: De ResNet-50 architectuur behaalde de beste prestaties met een $R^2 = 0,93$, RMSE = 0,18 log-cycli, en MAE = 0,14. Dit presteerde beter dan de SE-CNN ($R^2=0,88$) en VGG-16 ($R^2=0,91$), evenals een tabulaire Support Vector Regression baseline ($R^2=0,87$) uit eerdere literatuur.
• Onzekerheidskalibratie: De GNLL-objective verbeterde de kalibratie aanzienlijk vergeleken met een Mean Squared Error (MSE) baseline. De Expected Calibration Error (ECE) daalde van 0,089 (MSE) naar 0,021 (GNLL), een reductie van 76%. De nominale 95% betrouwbaarheidsintervallen bevatten empirisch 93,8% van de testsamples.
• Risicoclassificatie: Het systeem classificeert samples in vier risicotiers (LAAG tot KRITIEK) met een macro-F1 score van 0,91. De recall voor de kritieke tier was 0,90.
• Verklaarbaarheid: Grad-CAM-analyse bevestigde dat het netwerk aandacht besteedt aan metallurgisch betekenisvolle features. De attention maps verschoven van korrelgrenzen (LAAG risico) naar scheurnucleatieplaatsen (MEDIUM), scheurtips (HOOG) en uitgebreide scheurnetwerken (KRITIEK), wat overeenkomt met gevestigde stadia van vermoeidheidsschade (Suresh, 1990).
• Efficiëntie: De inferentietijd is minder dan 65 ms per afbeelding.

Betekenis en Claims
Het artikel positioneert FATIGUECV als een methodologische proof of concept in plaats van een direct inzetbare oplossing voor echt staal. De auteur stelt expliciet dat alle resultaten zijn afgeleid van een synthetische benchmark waarbij de grondwaarheid wordt gedefinieerd door de simulatiefysica.

De primaire bijdragen zijn:

1. Eerste Image-to-Life Regressie met Onzekerheid: Het is het eerste systeem dat gezamenlijk end-to-end regressie uitvoert van micrograf naar vermoeidheidslevensduur terwijl het gekalibreerde per-sample onzekerheidsgrenzen biedt.
2. Physics-Guided Inductive Bias: De integratie van een 28-dimensionale feature vector afgeleid van vermoeidheidsmechanica en een GNLL loss-functie creëert een sterke inductive bias die bekende fysica-relaties uit afbeeldingen herstelt.
3. Metallografie-specifieke Preprocessing: Een nieuwe zevenstaps pipeline, specifiek afgestemd op optische microscopie-artefacten, wat de zichtbaarheid van features aanzienlijk verbetert.
4. Open-Source Synthetische Benchmark: De release van een configureerbare, natuurkundig gelabelde synthetische datagenerator om reproduceerbaar benchmarcken en toekomstige domeinoverdrachtstudies mogelijk te maken.

Beperkingen en Toekomstig Werk
De auteur is bescheiden over de huidige reikwijdte en benoemt vier belangrijke beperkingen:

1. Synthetic-to-Real Gap: Het model is niet getest op echte staalmicrografen; domeinadaptatie (bijv. style transfer) en her-validatie op fysieke specimens zijn vereist.
2. Materiaalbereik: De pipeline is afgestemd op koolstof- en laaglegeringsstaal; andere legeringen (Ti, Al) zouden een herontwerp vereisen.
3. 2-D Projectie: Optische microscopie kan sub-surface defecten niet detecteren; integratie met 3-D modaliteiten (X-ray CT) staat gepland.
4. Holistische Voorspelling: Het model voorspelt de totale levensduur ($N_f$) in plaats van initiatie en propagatiefases te scheiden.

Het artikel concludeert dat hoewel de methode onder gesimuleerde omstandigheden een solide fundament demonstreert, de directe volgende stap een domeinoverdrachtsstudie op echte veldmonsters is om de voorspellende validiteit te valideren.