陶瓷基复合材料因其优异的高温力学性能、高比强度、比模量、低密度等特性，被广泛应用于航空航天、能源等热端装备构件上。其优异的性能很大程度上归功于其多尺度的微结构设计，但是这也同样带来了极其复杂的失效行为。此外，在制备过程中引入的内部微缺陷的分布与演化也将极大影响材料在高温、高压等极端服役环境下的失效形式。微裂纹作为其主要的内部损伤形式，量化提取与追踪其演化过程对于深入揭示陶瓷基复合材料的失效机理，保障其服役的安全性至关重要。X射线断层成像技术（CT）与高温加载装置的结合为在位表征材料的损伤演化提供了一种有效的途径。然而，如何从含噪声，低对比的CT表征结果中精确提取特征微弱微裂纹的量化信息，依然是一种挑战。

近期，我院曲兆亮、王潘丁副教授在方岱宁院士的指导下，针对于陶瓷基复合材料提出了一种基于生成对抗神经网络的高精度微裂纹量化提取追踪方法，并基于该方法实现了热力耦合加载条件下陶瓷基复合材料微裂纹演化行为的量化追踪，提取并分析了包括裂纹体积、裂纹张开面积，裂纹张开位移等关键裂纹参量的演化过程，以及裂纹网络扩展与主裂纹的形成机制。该研究成果以“In-situ quantitative tracking of micro-crack evolution behavior inside CMCs under load at high temperature: A deep learning method”为题发表于期刊《Acta Materialia》。

原文链接：

图1. 裂纹张开位移及张开面积随加载过程的变化

图2. 裂纹体积演化的量化追踪

图3. 断裂失效分析：（a）断面形貌，（b）不同加载步下微裂纹与断面距离，（c）主裂纹分布与断面的位置

在本研究中，通过μCT和深度学习的裂纹提取方法相结合，实现了高温加载下微裂纹演化行为的在位定量表征。与传统的图像分割方法和现有的深度学习图像分割方法相比，本文提出的基于生成对抗网络的微裂纹分割方法在存在噪声和较低的灰度对比度的条件下，依然能够准确地捕捉到细小的微裂纹，实现更精确和鲁棒的微裂纹分割。利用该方法对CMC的微裂纹演化行为进行了定量分析和跟踪，得到了关键微裂纹参数演化的量化信息。在低载荷水平下，随着拉伸载荷的增加，微裂纹的张开面积和张开位移变化缓慢，当进入高荷载阶段，损伤发生快速演变，微裂纹数量和总体积急剧增加，关键主裂纹开始出现。进一步对微裂纹的跟踪表明，主裂纹均源于加工过程引入的微缺陷，且主裂纹的形成通常伴随着相邻微裂纹的合并。最终的断裂表明，试样的最终失效发生于主裂纹聚集的区域。该方法的提出不仅仅可以为CMCs损伤演化的量化评估及失效机制的分析提供一种有效途径，也可应用于其它的复杂材料。特别是对于更加关注微裂纹动态演化的研究中，往往需要通过缩短μCT的扫描时间以获得更强的时间分辨能力，这可能导致图像质量大幅下降，因此，该方法可为动态过程中微裂纹信息的捕获提供一种可靠途径。