李眉娟 科技日报记者 都芃
金属、陶瓷、半导体等多晶材料由无数微小的晶粒组成，每个晶粒都是一个小单晶，都有着自己的晶粒取向，可以简单理解为晶体的排列方向。如果这些晶粒取向明显偏离随机分布、呈现一定择优排列的结构，便被称为织构，即多晶材料中晶粒择优取向分布结构，会直接影响材料的各向异性力学性能、加工工艺行为和服役表现。
日前，中国原子能科学研究院核物理研究所李眉娟、陈东风、张英逊、赵柏凯团队基于中国先进研究堆（CARR）中子科学平台，首次将AI技术中的卷积神经网络（CNN）技术引入中子织构衍射数据分析，发展了一种织构类型及体积分数智能分析新方法，将中子织构衍射数据分析效率提高了300倍，相关研究成果发表于权威期刊《核科学技术》（Nuclear Science and Techniques）。
目前，织构测量主要依赖电子背散射衍射、X射线衍射和中子衍射等技术，其中中子衍射技术因具有深穿透性和对轻元素灵敏等独特优势，在块体材料织构分析中占据不可替代的地位。然而，传统中子织构数据分析流程烦琐，单样品分析耗时较长，难以满足批量、快速的测量分析需求。因此，发展高效快速的织构数据分析新方法成为重要需求。
针对上述问题，研究团队发展了基于知识迁移学习的卷积神经网络分析方法，用于中子织构衍射数据分析。结果表明，该方法拥有出色的预测能力，并在一定噪声干扰下仍能保持较高的预测精度，具备优异的抗干扰能力和泛化性能。基于训练好的卷积神经网络模型，单样品分析时间可从几分钟或十几分钟，缩短至数秒，分析效率较传统方法获得大幅度提升。
研究团队介绍，该方法未来可广泛应用于核工业、航空航天、汽车、船舶等领域，为块体材料的性能优化、工艺改进、服役表现评估等提供高效快速精准的分析手段，有力支撑关键工程材料研发与安全评价效率。
网友评论
