深度学习辅助的形态细分用于有效的粒子面积估计和预测聚合物复合材料的界面特性
R Mohsenzadeh1, B H Soudmand2, A H Najafi3
1Department of Mechanical Engineering, Technical and Vocational University (TVU), Tehran, 1435761137, Iran. r_mohsenzadeh@tvu.ac.ir.
Nanoscale
|October 29, 2024
概括
了解聚合物纳米复合材料中的纳米粒子分散是关键. 本研究引入了一种自动化的深度学习方法来量化分散,将其与材料属性联系起来,并改进预测模型.
科学领域:
- 材料科学 材料科学 材料科学
- 聚合物科学 聚合物科学
- 纳米技术纳米技术
背景情况:
- 聚合物纳米复合材料的宏观性质取决于纳米粒子分散.
- 不均的分散,包括聚类,会影响预测模型的准确性.
- 精确量化分散对于结构属性关系至关重要.
研究的目的:
- 开发一个自动化,精确的技术,用于纳米粒子识别和位置映射在SEM微镜.
- 引入可量化的分散因子 (尺寸均性,超临界聚类).
- 在聚合物纳米复合材料中建立分散特征和界面特性之间的相关性.
主要方法:
- 深层卷积神经网络 (CNN) 与用于粒子检测的图像处理的集成.
- 使用尺寸均性和超临界聚类因子通过计算机视觉量化分散.
- 应用适应的微机械模型来确定界面强度和厚度.
- 分散因子与实验数据和微机械模型的相关性.
主要成果:
- 开发了一种用于精确识别和绘制SEM图像中的粒子的自动化系统.
- 引入了可量化的分散因子,以评估纳米粒子分布.
- 确定了纳米粒子分散特征和界面特性之间的相关性.
- 该研究表明,深度学习对于分散分析的有用性.
结论:
- 开发的深度学习方法准确量化了聚合物纳米复合材料中的纳米粒子分散.
- 量化分散因子可以更好地预测材料特性.
- 这种系统程序通过将微观结构特征与宏观行为联系起来来增强结构属性分析.


