banner

Blog

Apr 12, 2024

Rigonfiamento dei materiali rivelato attraverso la segmentazione semantica automatizzata delle cavità nelle immagini al microscopio elettronico

Rapporti scientifici volume 13, numero articolo: 5178 (2023) Citare questo articolo

848 accessi

1 Citazioni

Dettagli sulle metriche

La quantificazione accurata del rigonfiamento delle leghe sottoposte a irradiazione è essenziale per comprendere le prestazioni delle leghe in un reattore nucleare ed è fondamentale per il funzionamento sicuro e affidabile delle strutture del reattore. Tuttavia, la pratica tipica prevede che i difetti indotti dalle radiazioni nelle immagini al microscopio elettronico delle leghe vengano quantificati manualmente da ricercatori esperti del settore. Qui, utilizziamo un approccio di deep learning end-to-end utilizzando il modello Mask Regional Convolutional Neural Network (Mask R-CNN) per rilevare e quantificare le cavità su scala nanometrica nelle leghe irradiate. Abbiamo assemblato un database di immagini di cavità etichettate che include 400 immagini, > 34 k cavità discrete e numerose composizioni di leghe e condizioni di irradiazione. Abbiamo valutato sia i parametri statistici (precisione, richiamo e punteggi F1) che quelli incentrati sulle proprietà dei materiali (dimensione della cavità, densità e rigonfiamento) delle prestazioni del modello e abbiamo eseguito analisi mirate delle valutazioni del rigonfiamento dei materiali. Troviamo che il nostro modello fornisce valutazioni del rigonfiamento del materiale con un errore assoluto medio di rigonfiamento medio (deviazione standard) basato su una convalida incrociata casuale di rigonfiamento dello 0,30 (0,03). Questo risultato dimostra che il nostro approccio può fornire con precisione parametri di rigonfiamento per immagine e per condizione, che possono fornire informazioni utili sulla progettazione del materiale (ad esempio, raffinazione della lega) e sull'impatto delle condizioni di servizio (ad esempio, temperatura, dose di irradiazione) sul rigonfiamento . Infine, troviamo casi di immagini di test con metriche statistiche scadenti, ma piccoli errori nel rigonfiamento, che indicano la necessità di andare oltre le metriche tradizionali basate sulla classificazione per valutare i modelli di rilevamento degli oggetti nel contesto delle applicazioni nel dominio dei materiali.

Le leghe metalliche utilizzate nei noccioli dei reattori nucleari e nelle strutture circostanti subiscono irradiazione, causando danni al materiale che possono provocare la produzione di difetti estesi come anelli di dislocazione, precipitati e cavità (a volte chiamati vuoti quando non contengono gas o bolle quando sono contengono gas) che, a loro volta, hanno un impatto deleterio sulle proprietà meccaniche attraverso indurimento, infragilimento e rigonfiamento1,2,3,4,5. La crescita delle cavità guidata da bias che porta a un rigonfiamento non vincolato sotto irradiazione di neutroni avviene generalmente attraverso la presenza di elio (prodotto dalla trasmutazione nucleare) che stabilizza le cavità3,6. Un rigonfiamento significativo può provocare il degrado e il guasto del materiale, pertanto, comprendere l'interazione tra composizione della lega, microstruttura e condizioni del reattore come la temperatura operativa e la dose di irradiazione è importante per garantire un funzionamento sicuro e affidabile del reattore7. I metodi di misurazione in massa dei componenti del reattore, come il metodo di Archimede, sono in genere più facili da condurre per ottenere informazioni sulla risposta al rigonfiamento volumetrico totale di un materiale8. Tuttavia, i metodi di microscopia elettronica a trasmissione e scansione (S/TEM) sono comunemente impiegati anche nella ricerca sui materiali e nelle valutazioni dello sviluppo per la caratterizzazione ex situ della microstruttura della lega e la quantificazione del rigonfiamento. I metodi TEM presentano un vantaggio rispetto ai metodi di misurazione in massa poiché consentono di ottenere una rigorosa risposta al rigonfiamento dalla presenza di cavità, eliminando i contributi di rigonfiamento da altri fattori come lo scorrimento viscoso, la formazione di fasi secondarie e la densificazione di fase ad alta temperatura.

L'analisi TEM può essere utilizzata anche per identificare localmente le risposte di rigonfiamento, ad esempio, come si osserva durante le irradiazioni ioniche o in microstrutture complesse a causa di effetti microstrutturali localizzati sull'elio e sull'energia e cinetica della formazione di difetti. Infine, l'analisi TEM può essere utilizzata per aiutare a comprendere la risposta all'irradiazione in fase iniziale, ad esempio il processo di nucleazione e crescita delle cavità, che inizia prima che si verifichi un significativo rigonfiamento macroscopico. Tale caratterizzazione su microscala consente quindi una comprensione meccanicistica dettagliata importante per la progettazione di leghe resistenti al rigonfiamento e consente ai ricercatori di comprendere i collegamenti tra microstruttura del materiale, composizione e risposta al rigonfiamento in funzione di variabili operative chiave come la temperatura, il tipo di irradiazione (ad esempio, neutroni vs. .), rateo di dose e dose totale9. Queste informazioni sono a loro volta utili per definire la modellazione del rigonfiamento dei materiali in diversi regimi (ad esempio, rigonfiamento in stato transitorio, stazionario e di incubazione) e possono aiutare a definire i limiti operativi di un materiale in un reattore nucleare5.

 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>

CONDIVIDERE