近期，厦门大学航空航天学院李卫彬教授团队及其合作者的题为“Non-contact characterization of material hardness by deep learning-assisted electromagnetic acoustic resonance method”的研究论文，发表在美国物理学联合会出版社（AIP）旗下应用物理学经典期刊Applied Physics Letters，并被编委推荐（Editor’s Pick）为Featured Article。该研究成果被美国物理学联合会《科学之光》（AIP Scilight）专访报道。
Scilight创办于2017年6月，是美国物理学联合会出版社（AIP publishing）出版的网络周刊，致力于挑选AIP发表的领域内最新的、最具有代表性的文章，简要总结其研究成果，并强调其在该领域的创新性和突破性。Scilight每年从AIP旗下30多个刊物中仅挑选300余篇领域内最值得关注的研究成果进行报道(https://doi.org/10.1063/10.0036666)。
材料硬度被视为金属材料的关键性能指标之一。精确表征和评价材料硬度在航空航天装备制造、重大装备质量把控和结构健康状态评价等领域都至关重要。常规的硬度测试方法，如压痕测试，在实施过程中通常会对材料表面造成破坏。而传统的超声检测方法虽然能够实现材料硬度的无损检测，但是需要在探头与试件之间填充耦合剂，并且影响其测量精度的因素较多，使其实际应用范围受到限制。
本研究通过将电磁声共振（EMAR）与一维卷积神经网络（1D-CNN）相结合，提出了一种先进的非接触式无损表征材料硬度的方法。该方法可有效地避免了因试样表面粗糙度以及厚度不均匀导致的测量结果不准确或不可靠问题。此外，它还可在仅使用小数据集的条件下精准地预测同一批试样的材料硬度。特别值得强调的是，该方法不但具有测量精度高、可靠性好的优势，同时兼具非破坏和非接触检测的特点，对高温服役环境下装备结构材料性能退化的在线监测以及装备结构的剩余寿命评估等具有巨大的应用潜力。这项研究为高精度材料性能表征提供了一种非接触式方法，具有重要的科学与应用价值。
后续，研究组计划将该项方法推广应用到更广泛的铁磁或非铁磁金属材料上，并进一步开展基于该方法的创新技术，致力于让其应用于复杂服役工况中装备结构的性能退化表征和剩余寿命评估。
供稿：李卫彬教授团队
