4-25. Convolutional networks for ceramics matrix composite XCT Slices segmentation and reconstruction

用于陶瓷基复合材料XCT切片分割的卷积神经网络与重建方法

贾蕴发^1,2，高希光^1,2,*，宋迎东^1,2，于国强^1,2，张盛^1,2

1. 南京航空航天大学 能源与动力学院，江苏省航空动力系统重点实验室，南京210016

2. 南京航空航天大学 机械结构力学及控制国家重点实验室，南京210016

摘要：陶瓷基复合材料(CMCs，Ceramic Matrix Composite)是一种比刚度高、强度大、耐高温、耐腐蚀的材料，在航空发动机的热端部件上是一种很好的优选材料。然而，由于这类材料存在多种细观结构，导致失效机理很复杂，且大量实验的成本是昂贵的，花费的时间和经力是巨大的。因此，研究者倾向于借助有限元分析来得到材料的力学性能。

目前，三维编织CMCs建模包括：1）根据理想效果重建，不考虑制造步骤造成的纤维变形、基体不均等问题；2）使用基于图像的重建方法，通过无损检测技术得到包含材料内部真实结构的图像，进行图像分割并重建。这个方法的有限元分析结果更接近实验结果。

图1三维编织CMCs 不同方向的XCT 2维重建切片（a）X-Y (b) Y-Z (c) X-Z

XCT是一种无损检测技术，可以在不破坏试件的基础上，得到复合材料内部准确、详细而全面的结构，且在厚度方向上没有损失材料的结构信息。因此，XCT切片的图像分割技术引起了国内外学者极大的兴趣。三维编织CMCs的不同方向的XCT切片如图1。

XCT切片分割主要通过计算机视觉算法，如纤维束识别与模板匹配算法，贝叶斯推理算法，训练包含XCT图像块和对应标记块字典集的学习算法及最大阈值分割等。然而，对于纤维增强陶瓷基复合材料三维编织结构，如图1，由于内部密集且相互缠绕的纤维束，上述算法是不适用的。另外，根据图1可以看出，对于X-Y及Y-Z方向，纤维束及基体分布很杂乱，难以准确辨认。然而X-Z方向的纤维束、基体及孔洞可以明显区分。因此，XCT

片的分割从这个方向展开，即给切片中每个像素进行归类，包括纤维束、基体和孔洞。

基于深度学习的全卷积神经网络图像分割技术在一些图片的分类上，其准确度已超过人类。然而，在复合材料领域，神经网络主要用来预测材料力学性能，如弹性模量、疲劳寿命等。因此，将全卷积神经网络应用在复合材料的XCT切片分割领域是一个趋势。

图2 用于三维编织CMCs XCT切片分割的全卷积神经网络

本文提出了一个适用于纤维增强复合材料XCT连续切片分割的全卷积神经网络结构，通过编码器和解码器对应位置进行最大池化索引及通道连接操作，很好的保存了纤维束边缘在计算过程中的边缘损失，如图2。根据卷积层深度以及批正则化层的布置方式进行了最优设计，从训练方法、初始化方式、迭代次数上进行了实验。本方法实现了XCT切片端到端的训练与预测，可自动高效识别任意尺寸的

针对分割完成的XCT切片进行重建，如图3，并通过像素映射的方法得到了材料的有限元模型。重建的三维模型可实现材料成分的高通量表征，并一次性获得材料内部的纤维束、基体以及孔洞的体积比。

图3 三维模型重建与XCT切片堆栈对比XCT切片。

关键词：陶瓷基复合材料；XCT；神经网络；有限元模型；高通量表征