大量的SliceGAN用于改进添加剂制造的TYPE 316L钢的合成3D微结构图像
Keiya Sugiura1, Toshio Ogawa1, Yoshitaka Adachi1
1Department of Material Design Innovation Engineering, Nagoya University, Nagoya 464-8603, Japan.
Journal of imaging
|May 26, 2023
概括
研究人员开发了一种修改后的SliceGAN,以创建增材制造的316L钢的逼真的3D微结构图像. 高分辨率和更大的训练数据是生成高质量的合成图像的关键.
科学领域:
- 材料科学 材料科学 材料科学
- 计算建模 计算建模
- 添加剂制造 添加剂制造 添加剂制造
背景情况:
- 像316L不钢这样的材料的增材制造 (AM) 提出了独特的微观结构挑战.
- 生成现实的合成微结构对于材料设计和性能预测至关重要.
- 现有的生成模型可能会在3D微结构所需的复杂性和分辨率方面扎.
研究的目的:
- 提出一个修改后的SliceGAN架构,用于生成高质量的合成3D微结构.
- 调查分辨率和训练数据大小对合成图像现实性的影响.
- 增强增材制造材料的生成能力.
主要方法:
- 开发了一个修改后的SliceGAN架构,包括对3D图像生成器和批评器的调整.
- 该模型是通过增材方法生产的316L材料的微结构图像进行训练的.
- 图像质量通过使用自动相关函数进行了定量评估.
主要成果:
- 经过修改的SliceGAN成功生成了高质量的合成3D微结构.
- 保持高分辨率,并将训练图像大小翻一番,大大提高了合成图像的真实性.
- 开发的架构在捕捉微观结构特征方面表现出更好的性能.
结论:
- 修改后的SliceGAN有效地生成了增材制造的316L的现实 3D 微结构.
- 优化分辨率和训练数据大小是提高合成微观结构质量的关键因素.
- 这种方法为AM的材料研究和开发提供了有价值的工具.
