通过深度学习从二维图像进行三维双相结构估计

科学领域:

• 材料科学 材料科学 材料科学
• 计算建模 计算建模
• 图像分析 图像分析

背景情况:

• 从二维图像中预测3D织物描述符对于材料表征至关重要.
• 深度学习模型为自动化这种复杂的分析提供了潜力.

研究的目的:

• 为了比较一个修剪的VGG19模型与轴冠状斜面 (ACS) 卷曲与定制的VGG16模型来预测2D图像的3D织物描述符.
• 为了评估这些模型的性能和计算成本,具有不同数量的输入图像.

主要方法:

• 开发和训练一个定制ACS-VGG19和一个定制VGG16模型,使用数值生成的3D双相微观结构.
• 定期从3D微结构中提取2D图像切片,用于模型训练和测试.
• 从3D微观结构计算了织物描述符,以作为基本真相.

主要成果:

• 定制的VGG16模型实现了几个关键描述符的平均绝对百分比错误 (MAPE) 值为2%或更低,包括总体尺寸,距离最近邻居的距离,尺寸比率和坚度.
• 在ACS-VGG19模型中,总体尺寸,尺寸比率和牢固度的MAPE值为2-5%,但无法估计方向.
• 增加输入图像提高了VGG16的性能,达到成本无效的程度;由于参数较少和更快的融合,VGG16的表现优于VGG19.

结论:

• 与ACS-VGG19模型相比,定制的VGG16模型在从2D图像中预测3D织物描述符方面表现出卓越的性能和效率.
• 这两种模型都比标准偏差更准确地预测平均值,而总体体积分比更高阶描述器更不准确.
• VGG16模型对预测方向描述符具有前景,表明它在各种输入图像方向上具有实用性.