ABSTRACT Metallic spheres play a crucial role in industry and their accurate measurement is essential to ensure the safety of industrial production. Eddy current testing (ECT), which is non‐contact and non‐invasive, provides an efficient and precise approach for the parameter evaluation of metallic spheres. In this paper, we utilize machine learning (ML) methods to invert inductive signals in order to address the inverse problem of ECT, with the aim of reconstructing the radius of a metallic sphere. Datasets containing the radius information of the metallic sphere were constructed based on the simplified analytical solution. The datasets were divided into two parts based on the real part (RP) and imaginary part (IP) features, and the connection between the two features and the radius of the metallic sphere were compared by five classification models. While achieving accurate classification of aluminum and stainless steel spheres with different radius, the models are evaluated to ensure the reliability and validity of the models. The results show that the use of IP data as a classification feature has better accuracy as compared to RP. The K nearest neighbor (KNN) radius classifier has the highest accuracy of 95.5% in aluminum spheres and the random forest (RF) radius classifier has the highest accuracy of 95.9% in stainless steel spheres. In addition, all five classifiers are able to overcome the effect of lift‐off on the classification results.

A reliable and efficient rail track defect detection system is essential for maintaining rail track integrity and avoiding safety hazards and financial losses. Eddy current (EC) testing is a non-destructive technique that can be employed for this purpose. The trade-off between spatial resolution and lift-off should be carefully considered in practical applications to distinguish closely spaced cracks such as those caused by rolling contact fatigue (RCF). A multi-channel eddy current sensor array has been developed to detect defects on rails. Based on the sensor scanning data, defect reconstruction along the rails is achieved using an inverse algorithm that includes both direct and iterative approaches. In experimental evaluations, the EC system with the developed sensor is used to measure defects on a standard test piece of rail with a probe lift-off of 4-6 mm. The reconstruction results clearly reveal cracks at various depths and spacings on the test piece.

Contained arsenic (As) and unsafe brackish groundwater irrigation can lead to serious As pollution and increase the ecological risk in cultivated soils. However, little is known about how Fe oxides and microbes affect As migration during soil irrigation processes involving arsenic-contaminated brackish groundwater. In this study, the samples (porewater and soil) were collected through the dynamic soil column experiments to explore the As migration process and its effect factors during soil irrigation. The results showed that the As concentration in porewater samples from the topsoil was enriched compared to that in the subsoil, and the main solid As fractions were strongly adsorbed or bound to amorphous and crystalline Fe oxides. The aqueous As concentration and the solid As fractions indicated that reductive dissolution and desorption from amorphous Fe oxides were the primary mechanisms of As release at the topsoil and subsoil, respectively. Meanwhile, Sphingomonas_sp., Microvirga_ossetica and Acidobacteriota_bacterium were the dominant microbes affecting As biotransformation by arsenate reductase gene (arsC) expression. Accompanied by the Eh and competitive ions concentration change, amorphous Fe oxide dissolution increased to facilitate the As release, and the changes in the microbial community structure related to As reduction may have enhanced As mobilization in soils irrigated by As-containing brackish groundwater.