从像素到预测:整合机器学习和数字图像相关性,用于工程材料中的损坏识别

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:

• 结构可靠性和安全性取决于准确的物质损坏评估.
• 像数字图像相关性 (DIC) 这样的传统方法在准确性和手工努力方面存在局限性.
• 人工智能 (AI),包括机器学习 (ML) 和深度学习 (DL),提供自动化解决方案.

研究的目的:

• 审查和比较人工智能集成的工程材料损害评估方法.
• 评估ML和DL与DIC结合时的有效性.
• 确定这一领域的挑战和未来的研究方向.

主要方法:

• 对AI (ML/DL) 和DIC整合用于损害评估的现有文献的审查.
• 传统ML模型与先进DL架构的比较.
• 对复合材料,金属和其他工程材料损坏识别的分析.

主要成果:

• 与DIC的AI-ML/DL集成显著提高了损害评估.
• 可以实现自动化,高分辨率和几乎实时的损坏识别.
• 在检测物质损坏方面提高了准确性,速度和可靠性.

结论:

• 将DIC与AI (ML/DL) 结合在一起,代表了物质损害评估的重大进步.
• 这种综合方法克服了传统方法的局限性.
• 未来的研究应该专注于进一步完善这些人工智能驱动的技术,以更广泛的应用.