1 前言

钢铁及其他金属材料要充分发挥其性能，关键在于通过理解其变形与破坏机制，明确需要控制的微观组织。为实现精准控制，不仅需要分析二维截面，还需解析三维组织。传统获取三维组织的方法包括连续切片扫描（Serial Sectioning）和断层成像（Tomography）等试验手段，但这些方法存在耗时耗力的问题。

为解决这一难题，本研究尝试利用对抗生成网络（Generative Adversarial Networ k ，GAN） 构 建三维组织。具体而言，以Kench等人提出的GAN算法“SliceGAN”为基础，结合Wasserstein GAN with Gradient Penalty进行改进，仅通过正交的三个方向截面图像（共三张）生成三维组织。

GAN是一种擅长图像生成的深度学习模型，能够自主学习输入数据的特征，并生成与之高度相似的新数据。利用GAN，可以在不受材料类型或拍摄尺度限制的情况下，快速生成任意尺寸、大量三维组织。这一方法有望实现传统技术难以获取的三维组织，并为更快速、简便的三维组织构建提供可能。

2 解析方法

本研究使用了两种数据集。DP1和DP2均为铁素体与马氏体构成的双相钢（DP钢），其中DP1的三维组织呈等向性，DP2呈异向性。分析方法如下：

首先，对通过连续切片扫描（SS）获取的连续断层图像进行铁素体与马氏体区域的语义分割，并通过叠加重构三维组织（SS-3D）。

其次，将SS-3D在xy、yz、zx三个平面的截面图像（共三张）输入GAN进行学习，生成三维组织（GAN-3D）。

最后，通过三维形态计量学对SS-3D与GAN-3D进行解析与比较，以评估GAN的重现精度。

3 解析结果与分析

对于DP1和DP2，GAN均生成了与SS高度相似的三维组织（图1（a）、（b））。此外，从SS-3D和GAN-3D中提取了表征平均组织的特征量，如马氏体的体积分数和粒子数量，并进行比较。结果显示，在DP1中，SS-3D与GAN-3D中的马氏体体积分数分别为13.7%和10.4%，粒子数量分别为609个和635个；在DP2中，SS-3D与GAN-3D中的马氏体体积分数分别为39.5%和42.1%，粒子数量分别为84个和147个，两者较为一致。进一步提取了表征单个粒子三维组织的特征量，如最大/最小直径、最大/最小直径的天顶角，比较发现其分布高度吻合（图2（a）、（b））。因此，研究结果表明，GAN不仅能够生成等向性三维组织，对于具有异向性的三维组织也能以较高精度进行生成。

4 结论

本研究基于对抗生成网络（GAN）的创新方法，成功实现了仅依靠三个正交方向的二维截面图像即可高效重构双相钢的三维微观组织。试验结果表明，该方法在等向性与异向性材料的组织中均表现出较高的生成精度，与传统的连续切片（SS）三维重建结果在宏观与微观形态参数上均吻合良好。这一技术突破显著降低了传统三维组织表征的时间与经济成本，为材料科学领域提供了一种快速、可扩展的三维组织建模新路径，有望推动材料设计与性能优化向数字化、智能化方向加速发展。