Direct Geometric Reconstruction of Flaws from Simulated Ultrasonic Inspection Data

现代基础设施，从输送能源的管道到飞机的机翼，都依赖于在数十年服役期内保持完好的材料。在裂纹演变成失效之前，必须对其进行发现和测量，这是一项由无损检测承担的任务。在这些工具中，超声波检测是一种主要方法。它的工作原理是向固体物体发送高频声波。当这些声波遇到缺陷（如裂纹或空洞）时，它们会反射回传感器。工程师面临的挑战在于，声波并不携带裂纹的图像，它携带的是复杂的回波信号。为了理解损伤的大小、深度和角度，专家必须解释这些回波，通常是通过构建一个内部的视觉图像，然后根据该图像推测缺陷的形状。这个过程是间接的，并且高度依赖于人类的判断。

瑞士技术检验协会的丹尼尔·阿尔杰农（Daniel Algernon）的一项新研究提出了一个不同的问题。与其先构建一个图像然后再进行解释，能否将声信号直接转化为缺陷的形状？研究人员将这个问题视为一个直接的几何谜题。利用强大的计算机模拟，他生成了数千个示例，其中已知裂纹的确切形状以及其产生的相应声信号。随后，他训练了一个专门的计算机程序，让其学习两者之间的关系。目标是观察机器是否可以直接观察原始声学数据，并立即勾勒出缺陷的轮廓，从而跳过创建视觉图像这一中间步骤。

该研究专注于一种特定类型的损伤：从钢制部件内表面开始并以多面角状破裂的裂纹。研究人员使用了一种标准的检测设置，涉及一个安装在楔块上的单个声探头，该探头向钢中发射声束。在模拟中，计算机创建了一千多种不同的裂纹形状，改变了它们的深度、倾斜度和局部剖面。对于每种独特的裂纹，软件都会精确计算出其声信号的特征。这创建了一个庞大的配对数据库：一侧是声信号，另一侧是裂纹轮廓的精确坐标。随后，计算机程序被教导去寻找连接信号与形状之间的模式。

该程序使用了一种被称为卷积回归器（convolutional regressor）的人工智能类型。与旨在识别照片中猫或汽车的系统不同，该系统旨在实现紧凑和高效。它接收声信号（表现为一组数据点），并输出一个定义裂纹轮廓的十一处点位的列表。研究人员并没有要求计算机猜测裂纹的整个图像，而是要求它估算一组描述几何形状的具体坐标。这种方法类似于要求一个人通过列出阴影的各个顶点位置来描述其形状，而不是要求他们画出整个物体。计算机通过学习数千个模拟示例来学会制作这个列表，不断调整其内部设置，直到其预测值尽可能接近已知形状。

当研究人员在新的、未见过的模拟案例上测试训练好的程序时，结果很有前景，但仅限于实验设定的特定条件。该系统成功重建了裂纹的总体形状。它在确定倾斜度（即角度）方面表现尤为出色。计算机预测裂纹角度的一致性很高，通常在真实值的几度以内。这表明裂纹的整体取向在声波中留下了清晰且独特的特征。系统也能估算裂纹的最大深度，尽管存在稍大的波动。深度的平均误差约为 2.10 毫米。虽然这对于初步估算是一个有用的准确度水平，但结果显示，相比于整体角度，精确锁定裂纹的最深点要困难一些。

该研究强调了理解这些结果时的一个关键区别。整个过程都是使用模拟数据进行的。声信号并非从实验室中的真实钢块中记录所得，而是由名为 CIVA 的基于物理的软件模型生成的。该模型对于理论研究非常精确，但它并未考虑到现实世界的复杂情况，例如探头与金属之间不完美的连接、表面粗糙度或电子噪声。因此，该方法的成功证明了直接几何法在理论上是可行的，并且在受控的模拟环境中是有效的。它尚未证明该方法在现实世界的检测现场能完美运作。研究人员明确指出，下一步必须使用实际的物理测量进行测试，以观察它如何处理现实材料的不可预测性。

这些发现为机器如何辅助人类检测员提供了一种新的思考方式。目前，标准做法是创建一个声学数据的视觉图谱，然后由专家解释该图谱以寻找缺陷的尺寸。这种新方法表明，对于特定类型的检测和特定类别的缺陷，机器可以完全跳过视觉图谱，直接得出重要的数值：深度和角度。这并不是要取代对人类监督或既定图像重建方法的需求。相反，它提供了一种互补工具，可以提供裂纹几何形状的快速定量估算。如果计算机的直接估算与专家的视觉解释一致，则增加了评估的可信度；如果两者不一致，则提示需要进一步仔细检查。

最终，这项工作证明了计算机可以直接学习声信号与裂纹形状之间的关系。研究表明，在受控条件下，复杂的声波物理特性包含了足以在没有中间图像处理的情况下重建缺陷几何形状的信息。研究结果是一个概念验证，表明从声音到形状的路径是可通达的。虽然该方法目前仅限于模拟的特定条件，但它为未来的研究打开了一扇大门，即这种直接几何反演有望成为确保关键基础设施安全的标准工具集的一部分。前进的道路在于将这种数字化的成功应用于物理世界，弥合完美模拟与不完美的工业检测现实之间的差距。