从基于超声波引导波的分散图像中确定同位素弹性常数,使用神经网络

科学领域:

• 材料科学 材料科学 材料科学
• 声学 声学 在声学方面
• 人工智能的人工智能

背景情况:

• 超声波导向波表现出对材料特性敏感的分散行为.
• 准确地确定同otropic弹性常数对于材料的表征至关重要.
• 目前的方法可能需要手动提取特征或初步猜测.

研究的目的:

• 开发和评估一种基于神经网络的方法,用于确定板状结构的同otropic弹性常数.
• 为了比较卷积神经网络 (CNN) 和视觉变压器 (ViT) 架构的性能,用于此任务.
• 评估模型从模拟到测量数据的概括能力.

主要方法:

• 模拟和测量分散图像的生成.
• 训练神经网络 (基于EfficientNetB7的CNN和ViT类) 使用模拟数据与数据增强.
• 从已知的材料样本中对模拟和测量分散图像进行验证和测试.
• 在测量数据的变化中评估预测稳定性.

主要成果:

• 神经网络成功地从分散图像中预测了同otropic弹性常数.
• 这些模型从模拟的训练数据推广到现实世界的测量数据.
• 在多种测量变异中证实了预测稳定性.
• 不需要初步猜测或手动特征提取.

结论:

• 神经网络可以从分散图像中准确地确定同位素弹性常数,而无需事先了解或手动干预.
• 开发的方法独立于测量设置.
• 该研究强调了人工智能在使用超声波技术进行非破坏性材料表征方面的潜力.