基于深度学习的纤维增强聚合物复合材料的微观损伤评估.
Muhammad Muzammil Azad1, Atta Ur Rehman Shah2, M N Prabhakar3
1Department of Mechanical, Robotics and Energy Engineering, Dongguk University-Seoul, 30 Pildong-ro 1-gil, Jung-gu, Seoul 04620, Republic of Korea.
Materials (Basel, Switzerland)
|November 9, 2024
概括
本研究引入了一种深度学习方法,用于在纤维增强聚合物 (FRP) 中进行自主显微损害评估. 在分类五种故障模式时,EfficientNet实现了97.75%的准确性,为手动分析提供了更快,更一致的替代方案.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算机科学 计算机科学
背景情况:
- 纤维增强聚合物 (FRP) 提供优越的强度与重量比,但表现出复杂的正极特性,导致各种损伤模式.
- 在FRP中进行显微损害评估对于设计和应用至关重要,传统上依赖于扫描电子显微镜 (SEM) 图像的劳动密集型手动分析.
- 手动的SEM图像分析是耗时的,主观的,容易引起观察者之间的变化,阻碍了有效的材料表征.
研究的目的:
- 开发和评估一种基于深度学习的方法,用于FRP的自主微观损害评估.
- 为了比较几个预训练的深度学习模型的性能,用于分类不同的FRP故障模式.
- 建立一个高效,一致和可扩展的损害评估解决方案,减少对手工专业知识的依赖.
主要方法:
- 使用了计算效率高的预训练深度学习模型:DenseNet121,NasNet Mobile,EfficientNet和MobileNet.
- 在SEM图像数据集上训练并验证了FRP的模型,显示了五种故障模式:光纤断裂,光纤拉出,混合模式,矩阵脆性和矩阵性故障.
- 在未见的测试数据集上使用各种指标评估模型性能,以确定每个故障模式的分类准确性.
主要成果:
- 效率网模型展示了最高的分类准确性,在识别五种不同的故障模式时达到97.75%.
- 所有评估的深度学习模型在自主分类FRP中的微观损伤方面都显示出有希望的表现.
- 深度学习方法显著减少了对SEM图像手动解释的需求.
结论:
- 深度学习技术为纤维增强聚合物的自主显微损害评估提供了有效和高效的解决方案.
- 与传统的SEM图像手动分析相比,提出的方法提供了更好的一致性和可扩展性.
- 这项研究为更快,更可靠的材料表征和FRP的设计优化铺平了道路.
更多相关视频
07:15A Testing Platform for Durability Studies of Polymers and Fiber-reinforced Polymer Composites under Concurrent Hygrothermo-mechanical Stimuli
Published on: December 11, 2014
13.8K
06:02Disentangling High Strength Copolymer Aramid Fibers to Enable the Determination of Their Mechanical Properties
Published on: September 1, 2018
7.1K
