概括
一种新的MCNN-DIC方法使用神经网络和机械约束来改善用于材料变形测量的数字图像相关性 (DIC). 这种方法提高了准确性,特别是在复杂的,不统一的领域,没有广泛的预先培训.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算力学 计算力学 计算力学
背景情况:
- 数字图像相关性 (DIC) 是用于表面变形分析的关键光机械技术.
- 实际的DIC应用面临的挑战包括不连续的场,噪声和边界测量困难.
研究的目的:
- 引入MCNN-DIC,一种新的DIC方法,将神经网络与机械约束集成在一起.
- 为了提高复杂变形场景的DIC的准确性和适用性.
主要方法:
- 通过半监督学习将机械兼容性方程约束纳入DIC,开发了MCNN-DIC.
- 使用模拟数据和真实世界的核石墨变形场验证了该方法.
主要成果:
- 与传统方法相比,MCNN-DIC在测量不均变形场方面表现出更高的准确性.
- 拟议的方法允许在最少的神经网络预训练的情况下快速测量变形场.
结论:
- MCNN-DIC为DIC提供了一种更具物理基础和更准确的方法.
- 该方法有效地解决了传统DIC在具有挑战性的工程应用中的局限性.
