Введение

Жаропрочные никелевые сплавы (ЖНС) широко применяются в авиационной, энергетической и нефтехимической промышленности [1,2] при изготовлении ответственных элементов газотурбинных установок (ГТУ), работающих на нефтегазопромыслах в условиях широкого диапазона температур и механических нагрузок [1, 2, 3]. Рабочие лопатки ГТУ работают в условиях высоких температур. Эксплуатационные характеристики изделий из ЖНС в значительной степени определяются их структурой и фазовым составом, в частности размерами и формой зёрен, распределением упрочняющих фаз, наличием дефектов, а также степенью структурной неоднородности [3].

Анализ структуры и фазового состава традиционно осуществляется методами оптической и электронной микроскопии с последующей визуальной оценкой изображений специалистом [4, 5]. Однако такой подход обладает рядом существенных недостатков, включая субъективность результатов, высокую трудоёмкость и ограниченную воспроизводимость измерений, особенно при анализе больших массивов изображений.

В этой связи актуальной является автоматизация анализа структурных изображений с использованием методов цифровой обработки изображений и компьютерного анализа. Автоматизированные системы позволяют повысить точность и объективность определения структурных и фазовых параметров, сократить время обработки данных, обеспечить количественную оценку качества получаемых результатов и соответствие результатов требованиям нормативных документов, в том числе ГОСТ 5639–82 [6].

Целью настоящей работы является анализ современных подходов в автоматизации структурных изображений жаропрочных никелевых сплавов, ориентированной на определение размеров зёрен, анализ фазового состава и формирование количественных характеристик структуры (размеры зёрен и распределение зёрен по площади).

В последние годы наблюдается активное внедрение технологий искусственного интеллекта (ИИ) в различные области науки, включая материаловедение. Как отмечается в современных исследованиях, ИИ позволяет радикально ускорить процессы открытия, синтеза и оптимизации новых материалов [7]. Это достигается за счёт обработки огромных массивов данных, прогнозирования свойств соединений и автоматизации лабораторных процессов.

В материаловедении всё шире применяются методы компьютерного зрения и глубокого обучения для автоматизации анализа микроструктур. В частности, свёрточные нейронные сети (CNN) эффективно выделяют зёрна, фазы и дефекты на изображениях, полученных методами оптической и электронной микроскопии [8]. По данным Плеханова В. И., такой подход не только ускоряет обработку данных, но и повышает точность количественной оценки распределения размеров зёрен и доли фаз [8].

Существующие обзоры [7, 8] подтверждают потенциал ИИ для анализа микроструктур, но не решают ключевых проблем, связанных с жаропрочными никелевыми сплавами. Для ЖНС характерны:

— низкая контрастность между фазами γ и γ’, γ’’;

— неоднородность освещения из‑за рельефа поверхности;

— сложная дендритная морфология с вариативностью размеров выделений.

Работа Гаррыевой Н. А. и соавторов [7] не предлагает методов обработки изображений, адаптированных под эти особенности, а работа Плеханова В. И. [8] демонстрирует эффективность CNN на сталях, но не доказывает их применимость к ЖНС.

Классические методы цифровой обработки изображений, включающие фильтрацию, пороговую сегментацию (в том числе метод Otsu), морфологические операции и анализ связных областей, остаются широко применяемыми благодаря своей вычислительной эффективности и простоте реализации. Так, для алюминиевых сплавов эти методы демонстрируют высокую точность: ошибка подсчёта зёрен составляет 3,07 %, а точность определения ASTM‑размера достигает 99 % [9]. Однако их применение при анализе микроструктуры жаропрочных никелевых сплавов (ЖНС) ограничено рядом факторов, специфичных для данного класса материалов. Эти факторы приводят к снижению устойчивости сегментации и ухудшению точности количественного анализа для ЖНС по сравнению с более простыми микроструктурами [9].

Традиционные методы обработки изображений, такие как Otsu, Adaptive Threshold и Watershed, сталкиваются с серьёзными ограничениями при анализе микроструктур ЖНС. Как отмечается в исследовании Qin et al. [10], авторами была предложена архитектура UNet 3+ для распознавания микроструктур, которая позволила создать базу данных из 33 484 записей по составу и характеристикам γ′‑фазы. Модель обеспечивает точный прогноз объёмной доли, среднего размера и распределения выделений γ′, что критически важно для оценки механических свойств ЖНС. Хотя методы глубокого обучения (UNet 3+) демонстрируют перспективность для анализа микроструктур ЖНС [10], их применение сопряжено с рядом сложностей:

— необходимостью больших объёмов размеченных данных (до 33 484 записей для обучения [10]);

— высокими требованиями к вычислительным ресурсам;

— ограниченной обобщаемостью на новые типы сплавов или условия обработки.

Эти факторы затрудняют внедрение нейросетевых подходов и машинного обучения в рутинную практику лабораторий и производств.

Ручные методы количественного анализа микроструктур (ASTM E112, E562) страдают от низкой масштабируемости и субъективности [5,6]. В работе Kim et al. [11] предложены цифровые протоколы для ЖНС, сочетающие EBSD и BSE‑SEM с анализом хордовых длин (CLD/AR‑CLD). Этот подход позволяет автоматически обрабатывать десятки изображений, извлекать физически обоснованные метрики (распределение длин хорд) и учитывать анизотропию зёрен и морфологию γ′‑фазы. Например, анализ 80 000 хорд выполняется за 6 секунд, что демонстрирует высокую вычислительную эффективность метода [11].

Несмотря на сильные стороны, данный метод имеет ряд ограничений [11]:

— Высокие требования к оборудованию и подготовке (необходим SEM с EBSD‑детектором (дорогое оборудование));

— Требуется электрополировка и травление (AG‑21) для выявления γ′, что может быть недоступно в рутинной практике;

— Зависимость от параметров EBSD (порог разориентации 5° может пропускать малоугловые границы);

— Разрешение 1 мкм/пиксель ограничивает точность для мелких зёрен (<10 мкм);

— Трудоёмкость подготовки образцов (изготовление образцов с учётом термопар, настройка тепловых циклов для разных режимов охлаждения);

— Сложность внедрения: требуются навыки работы с MATLAB и специализированным ПО для EBSD, а также необходимо обучение персонала.

Таким образом, анализ современных подходов показывает, что существующие методы автоматизированной обработки микроструктурных изображений либо ориентированы на использование ресурсоёмких моделей машинного обучения, требующих значительных объёмов размеченных данных и вычислительных ресурсов, либо базируются на классических алгоритмах, чувствительных к качеству исходных изображений и не обеспечивающих устойчивой сегментации сложных микроструктур жаропрочных никелевых сплавов. Кроме того, значительная часть рассмотренных решений не ориентирована на получение количественных характеристик структуры в соответствии с нормативными требованиями и не учитывает специфические особенности микроструктуры ЖНС.

В связи с этим актуальной является задача разработки специализированного программного обеспечения для автоматизированного анализа структуры и фазового состава жаропрочных никелевых сплавов, обеспечивающего адаптацию методов обработки к характеристикам изображений, устойчивость результатов анализа и возможность получения количественных параметров структуры в инженерно значимом виде.

Литература:

1. Кишкин С. Т. Создание, исследование и применение жаропрочных сплавов: избранные труды (К 100-летию со дня рождения) / Москва: Наука, — 2006. — 407с.
2. Логунов А. В. Современные жаропрочные никелевые сплавы для дисков газовых турбин / А. В. Логунов, Ю. Н. Шмотин // Москва: ООО «Наука и технология, — 2013. — 256 с.
3. Логунов А. В. Жаропрочные никелевые сплавы для лопаток и дисков газовых турбин / А. В. Логунов // Москва: ООО «Издательский дом «Газотурбинные технологии», — 2017. — 854с.
4. ASTM A (1996) E112: standard test methods for determining average grain size. In: 1996 Annual book of ASTM standards. West Conshocken 112:4–20
5. ASTM A (2011) E562–11: standard test method for determining volume fraction by systematic manual point count. In: 2011 Annual book of ASTM standards. West Conshohocken
6. ГОСТ 5639–82. Стали и сплавы. Методы выявления и определения величины зерна.
7. Гаррыева Н. А., Оразмырадова Х. П., Хекимов Б. Б., Оразмырадова О. Технология искусственного интеллекта в материаловедении: ускоренное открытие и оптимизация новых материалов // Наука и мировоззрение. — 2024. — С. 1–7.
8. Плеханов В. И. Искусственный интеллект как инструмент решения задач материаловедения // Актуальные вопросы науки. — 2025. — С. 34–37.
9. Katika H., Sen B., Nithin A., Davidson M. J., Bhowmik A. Advanced computer vision algorithm for extraction of microstructural features from BSE images of powder metallurgical microstructures // The International Journal of Advanced Manufacturing Technology. — 2025. — Vol. 140. — P. 3983–4001.
10. Qin Z., Li W., Wang Z., Pan J., Wang Z., Li Z., Wang G., Pan J., Liu F., Huang L., Tan L., Zhang L., Han H., Chen H., Jiang L. High‑throughput characterization methods for Ni‑based superalloys and phase prediction via deep learning // Journal of Materials Research and Technology. — 2022. — Vol. 21. — P. 1984–1997.
11. Kim H. N., Iskakov A., Liu X., Kaplan M., Kalidindi S. R. Digital protocols for statistical quantification of microstructures from microscopy images of polycrystalline nickel‑based superalloys // Integrating Materials and Manufacturing Innovation. — 2022. — Vol. 11. — P. 313–326.