在双相钢中实验观察和GAN生成的3D微结构的比较研究
Ikumu Watanabe1, Keiya Sugiura2, Ta-Te Chen2
1Center for Basic Research on Materials, National Institute for Materials Science, Tsukuba, Japan.
Science and technology of advanced materials
|August 19, 2024
概括
生成对抗网络可以从二维图像中创建3D微结构,但定量准确性有限. 这项研究强调了由于重现相位体积分数和形态学的局限性,需要进行3D观测.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 人工智能的人工智能
背景情况:
- 深度学习,特别是生成对抗网络 (GANs),显示出产生人工微观结构的前景.
- 从二维 (2D) 图像中复制三维 (3D) 微观结构是材料科学应用的一个关键挑战.
- 评估GAN生成的微结构的定量准确性和机械相关性对于实际使用至关重要.
研究的目的:
- 评估由GANs从双相钢的2D图像生成的3D微结构的可复制性和准确性.
- 使用有限元分析,将GAN生成的微结构的机械行为与实验观察到的微结构进行比较.
- 确定当前GAN算法的局限性,以捕捉基本的微观结构特征.
主要方法:
- 利用自动串行切割技术获得观察到的3D微观结构.
- 从三个直角的2D表面图像中使用基于GAN的算法生成人工3D微结构.
- 从观察到的和生成的微观结构的3D voxel 数据构建有限元素模型.
- 在代表体积元素 (RVEs) 上执行有限元分析 (FEA),以模拟机械行为.
主要成果:
- 与观察到的微观结构相比,GAN生成的微观结构捕获了宏观的异构性,但在机械反应中显示了定量差异.
- 在复制费里特/马丁石相的体积分数时出现的不准确性被确定为 misalignment的主要原因.
- GAN算法难以复制微观形态,特别是当其体积分数较低时,马石相的连接性.
结论:
- 目前基于GAN的算法在准确复制复杂的微结构 (如双相钢) 的定量特征和形态方面存在局限性.
- 无法精确复制相位体积分数和复杂的形态学限制了生成的微观结构对机械行为的预测能力.
- 三维观测和验证对于可靠的材料建模和设计至关重要,这凸显了生成算法进步的必要性.
