深度卷积生成对抗网络用于生成不连续碳纤维增强聚合物微结构的计算机断层图像

科学领域:

• 材料科学 材料科学 材料科学
• 计算机视觉 计算机视觉
• 聚合物科学 聚合物科学

背景情况:

• 计算机断层扫描 (CT) 对于分析复杂的聚合物微结构至关重要,但成本高且耗时.
• 生成对抗网络 (GAN) 为快速,高保真图像生成提供了一个潜在的解决方案.

研究的目的:

• 开发一个深度卷积生成对抗网络 (DCGAN),用于生成碳纤维增强聚胺6的合成CT图像.
• 为了应对包括低对比度,小纤维直径和随机微观结构在内的挑战.

主要方法:

• 一个DCGAN在约3万张碳纤维增强聚胺6的CT扫描上接受了训练.
• 图像质量使用弗雷切开始距离 (FID) 和最近邻近指标 (欧几里德距离,结构相似性指数测量) 来评估.
• 定性视觉评估证实了微观结构和纤维布局的真实描绘.

主要成果:

• DCGAN成功生成了高质量的,聚合物微结构的代表性CT图像.
• 生成的图像准确地描绘了复杂的特征,如单个纤维,纤维束和物理上可信的纤维定位.
• 定量指标 (FID,NN) 和定性评估验证了网络的性能.

结论:

• 深度学习,特别是DCGAN,提供了一种有效的方法,用于生成复杂复合材料的合成CT图像.
• 这种方法可以显著减少与材料表征相关的时间和成本.
• 产生的图像有可能在复合材料研究中创建3D代表体积元素以实现均化.