Combinación de imágenes multimodales de fractura por fatiga para análisis con una CNN

Área de la Ciencia:

• Ciencia de los materiales
• Ingeniería mecánica
• Ciencia de datos

Sus antecedentes:

• El análisis de fracturas por fatiga en Ti-6Al-4V es crucial para el rendimiento del material.
• Los métodos de imagen tradicionales como SEM proporcionan datos topográficos.
• La integración de múltiples fuentes de datos puede mejorar las capacidades analíticas.

Objetivo del estudio:

• Investigar la utilidad de combinar las modalidades de imagen SEM, BSE y SWLI para el análisis de superficies de fractura por fatiga.
• Aplicar redes neuronales convolucionales (CNN) preentrenadas para predecir parámetros de crecimiento de grietas.
• Evaluar el impacto de la fusión de datos multimodales en el rendimiento del modelo.

Principales métodos:

• Se utilizó microscopía electrónica de barrido (SEM), imágenes de electrones retrodispersados (BSE) y barrido por interferometría de luz blanca (SWLI) para capturar datos de la superficie de fractura.
• Se emplearon CNN preentrenadas, aprovechando la integración de canales de color para la fusión de datos multimodales.
• Se entrenaron modelos para predecir la distancia desde la línea de carga y la tasa de crecimiento de grietas.

Principales resultados:

• Demostró que diferentes modalidades de imagen contribuyen con diferentes niveles de importancia a los modelos de CNN.
• Mostró una mejora del 20% en la clasificación y una mejora del 60% en los resultados de regresión al combinar modalidades en comparación con SEM sola.
• Validó la efectividad de la integración de datos multimodales para mejorar el análisis de fracturas.

Conclusiones:

• La combinación de datos de imagen SEM, BSE y SWLI mejora significativamente la precisión predictiva de las CNN para el análisis de fracturas por fatiga.
• La fusión de datos de imagen multimodales ofrece un enfoque potente para comprender el comportamiento de fatiga del material.
• Esta metodología proporciona un camino para una caracterización de materiales más robusta y precisa.