产品经理|Nature子刊：3D打印金属零件新型成像检测方法，或将改变航空航天业( 三 ) 项目管理|ai

为了实现光学取向映射，使用化学试剂蚀刻试样，选择性地溶解γ基体，让耐腐蚀的δ板从表面突出(图1a ，底部) 。由于它们相对于XY平面倾斜，这些沉淀物产生了一个可以由DRM测量的方向反射信号(图1a ，顶部) 。利用δ和γ之间的晶体关系，使用方向反射信号来评估γ基体晶粒的取向。实际上， δ和γ的取向为(111)γ//(010)δ和[1ˉ01
γ//[100
δ 。此外， δ析出相的习惯面(即血小板的主要面)平行于{111γ22 。

图1 DRM技术的图示。
使用如图1b所示的设置对每个样品进行DRM测量。微结构中任一颗粒的局部定向反射信号由在该颗粒处测量到的反射强度与光源仰角(θ)和方位角(φ)的函数组成。在δ血小板将入射光直接反射进光学显微镜的角度上，可以观察到反射强度的峰值。由于平板的取向取决于相应的γ晶粒的晶体取向，不同的晶粒取向产生不同的反射率信号，其反射率峰也不同。
图2说明了在I718中遇到的反射模式的多样性。在这张图中，将逆极图(IPF)中沿z轴的七个不同晶体方向表示为八面体。每个八面体中的面平行于下伏晶粒的{111γ面，与δ析出相的习惯面相一致。在一般情况下观察到，反射率峰的数量和位置在反射率模式遵循晶体对称性。例如， (100)γ晶粒的反射率图中包含四个峰，峰间的夹角为90° ，这与面心立方(FCC)结构在该方向上的四重对称相一致。同样， (110)γ晶粒也表现出双重对称性。相比之下，在(111)γ晶粒产生的图案中观察到六重对称。这些反射峰的位置定性地与期望从{111γ平面观察镜面反射的坐标相匹配。这一发现是一个强烈的迹象，反射峰来自入射光在突出的δ板的镜面反射。
图2 I718中的定向反射信号。
基于这些观测结果推测，晶粒取向原则上可以通过设计一个基于物理的反射模型，将峰的位置和强度与蚀刻诱导的表面形貌和下面的晶体取向联系起来，进行解析检索。然而，在实践中，开发这样一个模型是具有挑战性的，耗时的，并且严重依赖人类专家的输入。它需要精密的数字信号分析，以准确识别光信号中的关键方向反射特征，详细表征形貌、分布和负责方向反射的微观结构成分的晶体结构，深入了解这些成分如何与可见光相互作用，产生定向反射信号。所有这些方面都使得这种方法难以模板化，很难与高通量材料表征范式兼容。
相比之下，机器学习模型EulerNet可以自主识别方向反射信号中的复杂模式，并具有较高的精度和吞吐量预测方向。由于在训练过程中，输入和输出之间的关系是在根本没有指导的方式下学习的，因此该模型需要最少的人类监督。特别是，不需要专门的微观结构研究来建立表面形貌、方向反射率和晶体取向之间的联系的先验知识。当在测试样品上使用时， EulerNet预测DRM数据集中每个像素的晶体取向，使晶粒取向以类似于EBSD的方式在样品表面上进行空间映射。
图3比较了来自I718样本的EulerNet和EBSD IPF纹理图(831× 1102像素) 。从这些图的视觉检查来看， EulerNet基于DRM的晶体取向预测与EBSD得到的结果基本一致。在样本上获取DRM测量需要大约20分钟，而在现代笔记本电脑上运行时，使用EulerNet生成方向图只需要几分钟。相比之下，获取EBSD测量需要几个小时。此外， EulerNet模型的不同实例可以在不同的材料数据集上训练。因此，该方法可以很容易地模板化并重新应用于不同的合金，而不考虑其微观结构的复杂性。所有这些特点使机器学习方法适合于提供高通量光学定向成像，同时最小化开发时间和精力。