マルチモダルの疲労性骨折の表面画像をCNNと組み合わせて分析した

科学分野:

• マテリアルサイエンス 材料科学
• 機械工学の機械工学
• データサイエンス データサイエンス

背景:

• Ti-6Al-4Vでの疲労骨折分析は,材料の性能にとって極めて重要です.
• SEMのような伝統的なイメージング方法は,地形データを提供します.
• 複数のデータソースを統合することで,分析能力を向上させることができます.

研究 の 目的:

• 疲労骨折表面分析のためのSEM,BSE,SWLIイメージングの組み合わせの有用性を調査する.
• クラック成長パラメータを予測するために,事前訓練されたコンボリュアルニューラルネットワーク (CNN) を適用する.
• マルチモダルのデータ融合がモデルの性能に与える影響を評価する.

主な方法:

• スキャン電子顕微鏡 (SEM),逆分散電子イメージング (BSE),およびスキャンホワイトライト干渉 (SWLI) を利用して,骨折表面データを取得しました.
• 先行訓練を受けたCNNを雇い,マルチモダルのデータ融合のためにカラーチャネル統合を活用しました.
• 負荷ラインからの距離と亀裂の成長率を予測するためにモデルを訓練しました.

主要な成果:

• 異なるイメージング方式がCNNモデルに異なるレベルの重要性をもたらすことを実証しました.
• SEMのみと比較して,モダリティを組み合わせることで,分類の20%の改善と回帰の結果の60%の改善が示されました.
• 強化された骨折分析のためのマルチモダルのデータ統合の有効性を検証しました.

結論:

• SEM,BSE,SWLI画像データの組み合わせは,疲労骨折分析のためのCNNの予測精度を大幅に高めます.
• マルチモダル画像データの融合は,材料の疲労行動を理解するための強力なアプローチを提供します.
• この方法論は,より堅牢で正確な材料の特徴化のための経路を提供します.