Нейросеть предсказывает усталостную долговечность стали по микроснимкам за 65 миллисекунд
Оценка усталостной долговечности конструкционных сталей традиционно требует механических испытаний, которые длятся десятки и даже сотни часов. Это делает процесс непригодным для быстрого контроля качества в производстве.
Ученые предложили подход на основе компьютерного зрения, который оценивает логарифм числа циклов до разрушения напрямую по оптическим микроснимкам материала. Метод, названный CV, позволяет отказаться от физического тестирования на этапе предварительной оценки.
Конвейер включает семиэтапную предобработку изображений с помощью OpenCV для удаления артефактов, затем извлечение 28 физически обоснованных признаков. Среди них морфология трещин, зеренная структура, пористость и текстура. Далее работает регрессионная модель на основе сверточной нейросети.
В качестве функции потерь использован гауссовский отрицательный логарифм правдоподобия, что позволяет одновременно предсказывать долговечность и связанную с образцом неопределенность. Авторы сравнили три архитектуры: SE-CNN, ResNet-50 и VGG-16 на синтетическом бенчмарке.
Лучший результат показала ResNet-50: коэффициент детерминации R?=0.93, среднеквадратичная ошибка RMSE=0.18 лог-циклов и макро-F1=0.91. Кроме того, применение физически информированной функции потерь снизило Expected Calibration Error на 76% по сравнению с базовой среднеквадратичной ошибкой — с 0.089 до 0.021.
Визуализация Grad-CAM подтвердила, что модель уделяет внимание металлургически значимым особенностям микроструктуры, а не случайным артефактам. Каждое изображение обрабатывается менее чем за 65 миллисекунд, что делает метод пригодным для высокопроизводительного контроля.
Важное ограничение: проверка проводилась полностью на синтетических микроснимках, поэтому результаты демонстрируют методологическую состоятельность в смоделированных условиях. Как отмечают авторы, непосредственный следующий шаг — исследование переноса модели на реальные полевые образцы.
