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( 五 ) 项目管理|ai

最后，认为DRM不应被视为EBSD的直接替代品， EBSD仍然是详细分析晶体学特征的主要技术，特别是在小尺度上。相反，相信DRM与机器学习技术相结合，可以成为支持材料开发工作的宝贵工具，这些工作需要将方向映射应用于大型标本或庞大的数据库。它也可能特别适用于那些容忍在精度上进行适度权衡以显著提高测量吞吐量的应用。许多这样的应用程序已经存在。一个值得注意的例子是识别金属AM中晶体织构，工艺参数和零件几何形状之间的关系。
处理异常数据
一旦EulerNet经过训练和验证，它就永久可用于特定材料的未来表征。例如，本研究中使用的模型可在线获得（参见数据可用性），适用于DED生产的I718标本的表征。研究人员相信，只要δ相沉淀物（产生定向反射信号）在合金中发育良好且蚀刻后可见，研究人员的模型就会在任何此类样品上产生可靠的结果。在 I718 上进行 ASTM 标准热处理时，以及在按照与准备训练数据集相同的步骤执行试样表面制备（包括抛光和化学蚀刻）时，应满足这些条件。研究人员注意到，使用由与用于生成训练集的设备（例如，光学显微镜，相机传感器，光源等）不同的设备组成的DRM设备可能会在数据中引入系统偏差并影响错误率。为了最大限度地减少设备偏差并确保整个社区的模型可转移性，研究人员建议进行设备校准，研究人员在方法部分进行了详细介绍。如果尽管进行了校准，系统设备偏差仍然存在，研究人员预计应用迁移学习29.30将神经网络微调到一组特定的硬件可能是一个合适的解决方案。
无论其来源如何，重要的是能够检测和排除有偏见的数据，以防止从根本上错误的微观结构表征输出。事实上，机器学习模型在做出预测时不会对输入数据的质量做出任何判断，也没有任何能力来评估与预测相关的不确定性。 31.如果测试样本与训练样本明显不同（例如，由于样本制备失败或使用新的DRM设备时可能会发生这种情况），则输入数据可能分布不均匀（即不具代表性），并且机器学习模型的相关预测可能存在缺陷。 32.为了检测分布外数据，研究人员提出了一种基于主成分分析（PCA）的DRM数据集降维的异常检测模型。计算训练集中方向反射信号的前两个主分量，并将数据投影到该流形中。通过构造， PCA 分量表示数据方差最大化的轴。沿着 PCA 轴，训练数据沿接近正态分布分布。研究人员通过以 0 为中心（标准差为 1）来标准化这些分布，以确保它们位于相同的相对范围内。然后，将两个变量的平均值定义为单个分布外指标 z 。该指标是无单位的。它反映了数据与训练集分布的平均值之间的距离。
此 z 得分模型既易于实现，又可高效检测有偏差的数据。通过比较DED生产的两个单独的I718标本来说明其有效性。第一个（图6a）是一个样品，其微观结构包含一些缺乏融合缺陷（见图6c），这是由于DED过程中层高度设置过高造成的。另一个（如图6d所示）是一个标本，尽管根据标准进行了热处理和蚀刻，但显示出不发达的晶体表面特征，甚至在底板附近的区域中完全没有它们（见图6f）。这种异常是由于在加工过程中合金内部建立的可变冷却速率，这导致在构建的第一部分中固溶体中的高Nb保留率（以及相应的δ相沉淀物的耗尽）34.相应的 z 映射可成功识别这两种异常。在图6a中的样本中， z值（图6b）的分布大致遵循训练数据集的分布，表明该样本和训练集中的方向反射率是全局相似的。然而，异常检测模型突出了缺乏融合缺陷。图6c中明场光学显微图中缺乏聚变缺陷的均匀明亮外观表明，表面局部保持平坦（即镜面状），并且对化学蚀刻剂没有反应。在图6d中的试样中，很明显，与训练集相比， z通常更高（见图6e），并且逐渐向样品的底部增加，其中没有δ相沉淀物。