banner

blog

Apr 12, 2024

Inchaço de materiais revelado através de segmentação semântica automatizada de cavidades em imagens de microscopia eletrônica

Scientific Reports volume 13, Artigo número: 5178 (2023) Citar este artigo

848 acessos

1 Citações

Detalhes das métricas

Quantificar com precisão o inchaço de ligas que foram submetidas à irradiação é essencial para a compreensão do desempenho da liga em um reator nuclear e fundamental para a operação segura e confiável das instalações do reator. No entanto, a prática típica é que defeitos induzidos por radiação em imagens de microscopia eletrônica de ligas sejam quantificados manualmente por pesquisadores especialistas no domínio. Aqui, empregamos uma abordagem de aprendizado profundo ponta a ponta usando o modelo Mask Regional Convolutional Neural Network (Mask R-CNN) para detectar e quantificar cavidades em nanoescala em ligas irradiadas. Reunimos um banco de dados de imagens de cavidades rotuladas que inclui 400 imagens, > 34 k cavidades discretas e numerosas composições de ligas e condições de irradiação. Avaliamos métricas estatísticas (precisão, recall e pontuações F1) e centradas nas propriedades dos materiais (tamanho da cavidade, densidade e inchaço) do desempenho do modelo e realizamos análises direcionadas de avaliações de inchaço de materiais. Descobrimos que nosso modelo fornece avaliações de inchaço do material com um erro médio absoluto de inchaço médio (desvio padrão) com base na validação cruzada aleatória de 0,30 (0,03) por cento de inchaço. Este resultado demonstra que nossa abordagem pode fornecer métricas de inchaço com precisão por imagem e por condição, o que pode fornecer informações úteis sobre o design do material (por exemplo, refinamento da liga) e o impacto das condições de serviço (por exemplo, temperatura, dose de irradiação) no inchaço. . Finalmente, descobrimos que há casos de imagens de teste com métricas estatísticas ruins, mas pequenos erros no inchaço, apontando para a necessidade de ir além das métricas tradicionais baseadas em classificação para avaliar modelos de detecção de objetos no contexto de aplicações no domínio de materiais.

As ligas metálicas usadas nos núcleos dos reatores nucleares e nas estruturas adjacentes sofrem irradiação, causando danos ao material que podem resultar na produção de defeitos extensos, como loops de deslocamento, precipitados e cavidades (às vezes chamados de vazios quando não contêm gás ou bolhas quando eles contêm gás) que, por sua vez, têm um impacto deletério nas propriedades mecânicas através do endurecimento, fragilização e inchaço1,2,3,4,5. O crescimento de cavidades impulsionado por preconceitos, levando ao inchaço irrestrito sob irradiação de nêutrons, geralmente ocorre através da presença de hélio (produzido a partir da transmutação nuclear) que estabiliza as cavidades . O inchaço significativo pode resultar em degradação e falha do material, portanto, compreender a interação da composição da liga, microestrutura e condições do reator, como temperatura operacional e dose de irradiação, é importante para informar a operação segura e confiável do reator7. Os métodos de medição em massa dos componentes do reator, como o método de Arquimedes, são normalmente mais fáceis de conduzir para obter informações sobre a resposta de dilatação volumétrica total de um material8. No entanto, os métodos de Microscopia Eletrônica de Transmissão de Transmissão e Varredura (S/TEM) também são comumente empregados em avaliações de pesquisa e desenvolvimento de materiais para caracterização ex situ da microestrutura da liga e quantificação de inchaço. Os métodos TEM têm uma vantagem sobre os métodos de medição em massa, pois permitem obter a resposta estrita de inchaço da presença de cavidades, eliminando contribuições de inchaço de outros fatores, como fluência, formação de fase secundária e densificação de fase em alta temperatura.

A análise TEM também pode ser usada para identificar respostas de inchaço localmente, por exemplo, como é visto durante irradiações iônicas ou em microestruturas complexas devido a efeitos microestruturais localizados no hélio e na formação de defeitos energéticos e cinéticos. Finalmente, a análise TEM pode ser usada para ajudar a compreender a resposta à irradiação em estágio inicial, por exemplo, o processo de nucleação e crescimento de cavidades, que se inicia antes que ocorra um inchaço macroscópico significativo. Tal caracterização em microescala permite, portanto, uma compreensão mecanicista detalhada, importante para o projeto de ligas resistentes ao inchaço, e permite aos pesquisadores compreender as ligações entre a microestrutura do material, composição e resposta ao inchaço em função de variáveis ​​operacionais importantes, como temperatura, tipo de irradiação (por exemplo, nêutrons vs. .ion), taxa de dose e dose total9. Esta informação, por sua vez, é útil para informar a modelagem de materiais de inchaço em diferentes regimes (isto é, incubação, inchaço transitório e em estado estacionário) e pode ajudar a informar os limites operacionais de um material em um reator nuclear5.

 20 × 10−4 nm−2), where the model has a clear bias to lower values. The interplay of cavity size and density with regard to swelling assessments is discussed in section "Understanding model errors of swelling assessment". Overall, the Mask R-CNN model can assess the material swelling well with a typical mean absolute error of about 0.30 percent swelling, which is a small enough error for the model to discern changes in swelling responses based on material design (e.g., alloy refinement) and service conditions (e.g., temperature, dpa) and thus readily provides an accelerated means to assess these factors in TEM-based swelling quantification workflows./p> 2%). Overall, across all test images in our database, our model shows average absolute swelling errors (percentage swelling errors) of about 0.3% (25%)./p> 34 k cavities, with a domain encompassing an array of alloy compositions and irradiation conditions. We evaluated the performance of our Mask R-CNN models using a set of canonical classification-based metrics (overall and per-image precision, recall, and F1 scores) and materials domain-specific metrics of cavity size, cavity density, and swelling assessments. Given the importance of accurately characterizing swelling in irradiated alloys for their use as materials in nuclear reactor components, we particularly emphasized assessments of material swelling. Our model provides material swelling assessments with an average (standard deviation) swelling mean absolute error based on random leave-out cross validation of 0.30 (0.03) percent swelling, demonstrating good assessment ability of swelling with sufficiently small error to provide useful insight for new alloy design. We investigated the source of our swelling errors in greater detail, with three related findings of interest:/p>

3.0.CO;2-Q" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0029%2819980515%2941%3A4%3C285%3A%3AAID-JEMT1%3E3.0.CO%3B2-Q" aria-label="Article reference 14" data-doi="10.1002/(SICI)1097-0029(19980515)41:43.0.CO;2-Q"Article CAS Google Scholar /p>

COMPARTILHAR