《Materials Today Nano》：Domain-adaptive dynamic prediction of remaining fatigue life based on in-situ spatiotemporal SEM sequences
编辑推荐：
剩余疲劳寿命预测研究基于扫描电镜（SEM）图像，采用领域自适应策略提升模型泛化能力。通过预训练Swin Transformer提取微观结构特征，结合对抗训练构建寿命预测网络与域分类网络。实验表明，SEM形态学信息能有效反映材料剩余寿命阶段，尤其在疲劳后期（RFL<50%）特征演变显著，模型F1分数提升显著（二分类达85%）。研究验证了动态SEM序列在材料表征中的新应用方向。
张一旭|盛涛|唐亮|周建利|梁瑞哲|王妮|张月飞
桂林电子科技大学，中国广西桂林，541004
摘要
剩余疲劳寿命（RFL）的预测对于确保工程结构的安全性和可靠性至关重要。传统的疲劳寿命预测方法主要依赖于人工经验或破坏性测试，这些方法耗时、劳动强度大，并且无法实现实时动态监测。本研究旨在探讨基于扫描电子显微镜（SEM）图像的动态RFL预测的可行性和有效性。
本文采用了领域自适应策略来提高基于深度学习模型的泛化能力。预训练的Swin Transformer用于从SEM图像中提取形态学特征。寿命预测网络和领域分类网络是基于对抗策略进行训练的。实验结果表明：（1）模型在疲劳后期表现优异，这得益于明显的形态学演变；（2）在疲劳早期，只有二分类任务表现良好，因为形态学信息不足，难以进行具体的RFL推断；（3）领域自适应策略显著提高了模型性能。在二分类任务中，F1分数从50%提高到了85%，在三类、五类和七类分类任务中分别提高了约3%，在九类分类任务中提高了约1%。这些结果证实了SEM形态学信息能够反映样本当前的RFL阶段。所采用的领域自适应策略有效消除了来自不同疲劳实验的数据集之间的分布差异，从而使模型能够提取出关键的形态学特征。我们认为，基于非结构化时空SEM序列的这一新策略将为材料表征领域的RFL预测开辟新的途径。
引言
航空发动机的热端部件在高温和高应力等复杂恶劣条件下工作。降低故障风险对于保证整个设备的安全至关重要。在主要的故障原因中，疲劳引起的损伤最为普遍，因为热端部件经历了起飞、巡航和着陆的联合过程。分析疲劳载荷下的微观机制和机械行为对于预防航空发动机的疲劳故障至关重要。因此，利用扫描电子显微镜（SEM）等先进表征技术进行剩余疲劳寿命（RFL）预测已成为材料表征领域的核心策略。
传统的材料RFL估计模型通常基于经验范式，包括用于低周疲劳寿命预测的Coffin-Manson模型[1,2]和用于高周疲劳寿命预测的Goodman准则[3]。还有一些基于力学[4]、断裂力学[5]和损伤力学[6]的预测模型。然而，这些模型所需的参数都是根据经验或试错得出的。收集这些参数需要大量的人力和物力资源，而且难以避免主观性和片面性。其次，这些模型只能在特定条件下预测疲劳寿命，导致其通用性和泛化能力较低。
近年来，人工智能算法已在材料科学的各个领域得到广泛应用。研究人员在多种场景下验证了基于机器学习方法的疲劳寿命预测的可行性和有效性，包括镍基超级合金[7],[8],[9]、钛合金[10,11]、钢[10,[12],[13],[14],[15],[16],[17],[18],[19],[20],[21]、铝合金[22,23]以及增材制造（AM）材料（例如GH4169）[8,11,18,[23],[24],[25],[26],[27],[28],[29]。例如，罗等人[8]使用逻辑回归和支持向量回归模型分析了疲劳断裂样品的表面孔隙与疲劳寿命之间的关系。他们以孔隙数量、直径、位置和应力幅值为输入来预测AM Inconel 718超级合金的疲劳寿命。同样，谭等人[7]和鲍等人[11]分别使用支持向量回归模型预测镍基超级合金和AM Ti-6Al-4V合金的疲劳寿命。高等人[30]提出了一种高斯过程回归模型用于金属材料的疲劳寿命预测。他们的模型性能优于六种常见的机器学习模型和两种传统的寿命预测模型。张等人[31]比较了六种不同机器学习模型对高强度螺栓的疲劳寿命预测性能。模型的输入特征包括螺栓的直径、类型和应力幅值，其中应力幅值对疲劳寿命预测的贡献最大。其他多项研究也发现应力信息是材料疲劳寿命预测的最重要因素[25,27,32]。
研究人员还使用深度学习模型进行疲劳寿命预测。詹等人[18]首先通过有限元模拟生成了大量数据，然后使用多层感知器神经网络预测AM 300M-AerMet100钢的疲劳寿命。输入特征包括应力集中系数、应力比和最大名义应力。詹等人[26]结合连续损伤力学理论和人工神经网络（ANN）及随机森林模型预测AM合金的疲劳寿命。输入特征包括4个AM参数和2个疲劳参数。马莱基等人[27]构建了一个ANN模型，基于屈服应力、极限抗拉强度、伸长率、孔隙率、硬度、压缩残余应力、表面粗糙度和形态学信息来预测AM AlSi10Mg合金的疲劳寿命。此外，还有多项研究使用ANN模型预测25CrMo4合金钢[12]、316LN不锈钢[13,14]、AISI 316钢[15]、AM不锈钢[16]、低碳钢[17]和高强度加固钢[24]的疲劳寿命，ANN模型始终表现出优异的预测性能。
上述研究结果充分证实了使用数据驱动算法进行疲劳寿命预测的可行性和有效性。然而，目前RFL预测研究仍存在一些问题和挑战。
- i.
基于经验或实验范式的评估策略耗时、成本高且相对主观。它们无法动态监测RFL。
- ii.
基于参数的建模策略只能提供一个粗略的参考范围。它们无法根据实际情况灵活调整，也无法提供实时的RFL。
- iii.
大多数基于人工智能的研究使用数值特征，如应力、应变、几何特征、温度和加载条件。对于原位表征实验中的非结构化信息（如微观结构及其演变过程）关注较少。
原位实验方法可以研究超合金在宏观、微观和纳米尺度上的损伤机制。在原位实验中获得的SEM图像序列捕捉到了微观结构的动态演变，其中包含了对相关寿命预测研究有价值的信息。这些序列数据在此被定义为原位时空数据[[33],[34],[35]]。基于此，我们在之前的研究[33]中提出了一种新的RFL预测策略。该策略的核心在于认识到微观结构形态的连续动态变化包含了估计材料RFL的宝贵信息。我们之前的研究[33]使用了两组实验来验证RFL预测方法。基于深度学习的模型在单个样本的不同区域进行测试时表现出较高的预测性能。然而，仍需进一步验证该策略在扩展到不同初始微观结构的样本时的有效性。而这正是本研究旨在进一步调查和验证的内容。
模型结构需要关注微观结构形态与RFL之间的时间动态关系。它应尽量减少数据分布差异的干扰，如设备物理偏差、样本之间的内在差异以及实验者引入的主观偏差。这些因素，加上样品初始微观结构的自然异质性，会导致不同实验收集的数据出现显著的分布差异。这种现象被正式定义为领域偏移。直接将基于图像的剩余寿命预测模型应用于跨领域数据会导致模型泛化和性能的显著下降。为了解决这一挑战，领域自适应（DA）技术已被广泛引入剩余寿命预测领域。
特征级DA方法是当前研究的主流。它们旨在学习跨领域特征，以消除由领域偏移引起的分布差异。例如，da Costa等人[36]提出了一种基于长短期神经网络和领域对抗神经网络的新方法来处理特征分布偏移。尚等人[37]提出了一种基于动态时间扭曲距离的时间序列数据增强框架，当与密集卷积回归网络结合使用时，显著提高了跨领域寿命预测的性能。尚等人[38]进一步提出了一个多源对抗领域适应框架，解决了多源领域场景中的负迁移问题。张等人[39]开发了一个增强的剩余寿命估计框架，该框架结合了时间序列生成方法和寿命估计模型。所提出的框架大大提高了跨领域剩余使用寿命预测的稳定性。
此外，为了数据隐私保护，联邦学习框架下的分布式领域适应方法也得到了快速发展。郭等人[40]提出了FedRUL，这是一种用于剩余使用寿命预测的联邦学习框架，它允许跨设备协作训练而无需任何本地数据离开本地设备。尚等人[41]提出了Cloud-Edge Collaboration Federated Invariance and Specificity Domain Generalization（CEC-FedISDG）方法。在严格的数据隐私保护前提下，该方法同时学习了领域不变的退化特征，并解决了分布式场景中未知工作条件下的寿命预测问题。
如上所述，DA方法在剩余寿命预测领域取得了显著进展。然而，大多数这些方法都是为振动和多传感器时间序列信号设计的。关于基于视觉信息（如SEM微观结构图像）的跨领域寿命预测的研究非常少。因此，本研究专注于使用SEM图像进行跨领域剩余疲劳寿命预测，以解决由材料固有差异引起的领域偏移以及随之而来的模型泛化能力下降问题。
章节片段
概述
如图1所示，疲劳循环次数的增加伴随着样品剩余寿命的相应减少。同一区域的微观结构在不同时间表现出不同的形态特征。在疲劳早期，微观结构的变形最小，相应的剩余寿命较长。在疲劳后期，变形更为显著，相应的剩余寿命较短。这种关系表明...
模型训练
如上所述，模型参数的调整由两种类型的损失共同决定，即RFL预测损失和领域分类损失。在图6中，我们分别展示了训练集和验证集上RFL预测损失和准确率、领域分类损失和准确率的变化趋势。图6a展示了模型在二分类任务（即分类为第8阶段）的RFL预测损失和准确率的变化趋势
结论
在本研究中，我们系统地探讨了SEM图像在动态RFL预测中的应用，并验证了领域适应策略在提高模型性能中的作用。主要结论总结如下。
首先，SEM形态学信息与材料的RFL阶段有明显的相关性。在疲劳后期（RFL <50%），微裂纹的出现和扩展导致了显著的形态学演变，提供了足够的区分特征
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号：52503288）和广西自然科学基金（项目编号：2025JJB160198）的支持。
