전자현미경 이미지에서 공동의 자동화된 의미론적 분할을 통해 밝혀진 재료 팽창

Scientific Reports 13권, 기사 번호: 5178(2023) 이 기사 인용

848 액세스

1 인용

측정항목 세부정보

조사를 거친 합금의 팽창을 정확하게 정량화하는 것은 원자로의 합금 성능을 이해하는 데 필수적이며 원자로 시설의 안전하고 신뢰할 수 있는 작동에 중요합니다. 그러나 일반적인 관행은 합금의 전자 현미경 이미지에서 방사선으로 인한 결함을 해당 분야 전문가가 수동으로 정량화하는 것입니다. 여기서는 Mask R-CNN(Mask Regional Convolutional Neural Network) 모델을 사용하여 엔드투엔드 딥 러닝 접근 방식을 사용하여 조사된 합금에서 나노 크기의 공동을 감지하고 정량화합니다. 우리는 400개의 이미지, > 34k의 개별 캐비티, 수많은 합금 조성 및 조사 조건을 포함하는 라벨이 붙은 캐비티 이미지의 데이터베이스를 구성했습니다. 우리는 모델 성능에 대한 통계적(정밀도, 재현율 및 F1 점수) 및 재료 특성 중심(공동 크기, 밀도 및 팽창) 지표를 모두 평가하고 재료 팽창 평가에 대한 표적 분석을 수행했습니다. 우리 모델은 0.30(0.03)% 팽창의 무작위 이탈 교차 검증을 기반으로 평균(표준 편차) 팽창 평균 절대 오차를 사용하여 재료 팽창을 평가합니다. 이 결과는 우리의 접근 방식이 이미지별 및 조건별로 팽창 측정항목을 정확하게 제공할 수 있음을 보여 주며, 이는 재료 설계(예: 합금 개선) 및 서비스 조건(예: 온도, 조사량)이 팽창에 미치는 영향에 대한 유용한 통찰력을 제공할 수 있습니다. . 마지막으로, 우리는 통계적 지표가 좋지 않은 테스트 이미지의 경우가 있지만 부풀어오르는 데 작은 오류가 있다는 사실을 발견했습니다. 이는 재료 도메인 응용 프로그램의 맥락에서 객체 감지 모델을 평가하기 위해 전통적인 분류 기반 지표를 뛰어 넘어야 할 필요성을 지적합니다.

원자로 노심 및 주변 구조물에 사용되는 금속 합금은 방사선 조사를 받아 재료가 손상되어 전위 루프, 석출물 및 공동(가스나 기포가 포함되지 않은 경우 보이드라고도 함)과 같은 확장된 결함이 발생할 수 있습니다. 가스를 함유하고 있음) 이는 경화, 취성 및 팽창을 통해 기계적 특성에 해로운 영향을 미칩니다1,2,3,4,5. 중성자 조사 하에서 제한되지 않은 팽창으로 이어지는 충치의 바이어스 기반 성장은 일반적으로 충치를 안정화시키는 헬륨(핵 변환으로 생성)의 존재를 통해 발생합니다3,6. 상당한 팽창은 재료 품질 저하 및 고장을 초래할 수 있으므로 합금 조성, 미세 구조 및 작동 온도 및 조사량과 같은 반응기 조건의 상호 작용을 이해하는 것은 안전하고 신뢰할 수 있는 반응기 작동을 알리는 데 중요합니다7. 아르키메데스 방법과 같은 원자로 구성요소의 벌크 측정 방법은 일반적으로 물질의 전체 부피 팽창 반응에 대한 정보를 얻기 위해 수행하는 것이 가장 쉽습니다8. 그러나 투과 및 주사 투과 전자 현미경(S/TEM) 방법은 합금 미세 구조의 현장 외 특성화 및 팽창 정량화를 위한 재료 연구 및 개발 평가에도 일반적으로 사용됩니다. TEM 방법은 공동의 존재로부터 엄격한 팽창 반응을 얻을 수 있고 크리프, 2차 상 형성 및 고온에서의 상 조밀화와 같은 다른 요인으로부터의 팽창 기여를 제거할 수 있으므로 벌크 측정 방법에 비해 이점이 있습니다.

TEM 분석은 또한 이온 조사 중에 또는 헬륨에 대한 국부적인 미세 구조 효과와 결함 형성 에너지 및 동역학으로 인해 복잡한 미세 구조에서 나타나는 것처럼 국소적으로 팽창 반응을 식별하는 데 사용할 수 있습니다. 마지막으로, TEM 분석은 상당한 거시적 팽창이 발생하기 전에 시작되는 공동의 핵형성 및 성장 과정과 같은 초기 단계의 조사 반응을 이해하는 데 도움이 될 수 있습니다. 따라서 이러한 미시적 특성화는 팽윤 저항성 합금 설계에 중요한 상세한 기계론적 이해를 가능하게 하며 연구자들이 온도, 조사 유형(예: 중성자 대 중성자 대 중성자 대 중성자 대 중성자 대 중성자 대 중성자 대 . 이온), 선량률, 총 선량9. 이 정보는 다양한 상황(예: 인큐베이션, 일시적 및 정상 상태 팽창)에서 재료 모델링에 대한 팽윤을 알리는 데 유용하며 원자로5에서 재료의 작동 한계를 알리는 데 도움이 될 수 있습니다.

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>

블로그

전자현미경 이미지에서 공동의 자동화된 의미론적 분할을 통해 밝혀진 재료 팽창