摘要：热力耦合近工况条件下材料微观结构的原位实验研究,对于深入理解材料服役性能演化机制十分重要,可给出样品微观上的纳米结构尺度分布。为充分发挥小角中子散射统计性好、取样体积大可开展原位实验等优势,本文基于中国先进研究堆小角中子散射谱仪,设计并研制了一台高温和拉力同时加载的原位实验装置,并实现了高温高压下原位测量材料的纳米尺度形貌变化。实验测试结果表明,装置最大载荷可达20 kN,最高温度800℃,控温精度优于±1℃。利用该装置对镍基单晶高温合金样品进行了原位小角中子散射测试,发现温度拉力条件下样品内部纳米结构的明显变化,表明基于该装置可开展热力耦合加载下的原位小角中子散射实验。该装置及其相应实验方法,可用于核电不锈钢等多种高温结构材料的原位加载实验研究,提供微观结构演化数据。

摘要：小角中子散射(SANS)实验数据的分析过程需要科研人员选择样品对应的物理模型进行迭代拟合来表征样品的结构和属性。目前选择物理模型的方法大多是基于人工经验,分析门槛高、准确率较低。基于标准神经网络模型的小角中子散射实验样品物理模型自动化筛选方法面临着图像缺乏局部特征、类内差异大、类间差异小等问题。设计双模态特征融合卷积神经网络(BFF-CNN)模型,先引入物理感知的傅里叶-贝塞尔变换(FBT)来提取散射图像的全局结构信息,再将原始图像与FBT变换图像通过两个子网络分别进行特征提取与特征融合,以提升神经网络整体的特征表达能力。提出受限Softmax(R-Softmax)损失函数,通过在原生Softmax损失函数的基础上添加惩罚项来限制输入样本被分配到非本真类的概率,可在Softmax损失接近0时缓解梯度的消失问题,进而提高收敛速度。在自建的小角中子散射图像数据集上的实验结果表明,BFF-CNN的预测准确率和平均召回率相比于ResNet-18、PMG等模型提升幅度较大,采用R-Softmax与中心损失函数的联合学习策略后的预测准确率和召回率相比只采用Softmax损失函数提升了5.4和10.5个百分点,具有较好的小角中子散射图像分类效果。