Ein neuer Algorithmus, der am Imperial College London entwickelt wurde, kann 2D-Bilder von Verbundwerkstoffen in 3D-Strukturen konvertieren.
Der Algorithmus für maschinelles Lernen könnte Materialwissenschaftlern und -herstellern helfen, das Design und die Produktion von Verbundwerkstoffen wie Batterieelektroden und Flugzeugteilen in 3D zu untersuchen und zu verbessern.
Verwendung von Daten aus 2D-Querschnitten von Verbundwerkstoffen, die durch Kombination verschiedener Materialien hergestellt werden Materialien Mit unterschiedlichen physikalischen und chemischen Eigenschaften kann der Algorithmus die Abmessungen von Querschnitten erweitern, um sie in computergestützte 3D-Modelle umzuwandeln. Dies ermöglicht es Wissenschaftlern, die verschiedenen Materialien oder „Phasen“ eines Verbundwerkstoffs und wie sie zusammenpassen, zu untersuchen.
Das Tool lernt, wie 2D-Querschnitte von Verbundwerkstoffen aussehen, und skaliert sie, damit ihre Phasen in einem 3D-Raum untersucht werden können. Es könnte in Zukunft verwendet werden, um das Design dieser Arten von Materialien zu optimieren, indem es Wissenschaftlern und Herstellern ermöglicht wird, die Schichtarchitektur der Verbundwerkstoffe zu untersuchen.
Die Forscher fanden, dass ihre Technik billiger und schneller ist als die Erstellung von 3D-Computerdarstellungen aus physischen 3D-Objekten. Es war auch in der Lage, verschiedene Phasen innerhalb der Materialien klarer zu identifizieren, was mit aktuellen Techniken schwieriger zu bewerkstelligen ist.
Durch die Kombination von Materialien als Verbundwerkstoffe können Sie die besten Eigenschaften der einzelnen Komponenten nutzen. Eine detaillierte Untersuchung kann jedoch eine Herausforderung darstellen, da die Anordnung der Materialien die Leistung stark beeinflusst. Der Algorithmus ermöglicht es Forschern, ihre 2D-Bilddaten zu erfassen und 3D-Strukturen mit denselben Eigenschaften zu generieren, wodurch sie realistischere Simulationen durchführen können.
Das Studium, Design und die Herstellung von Verbundwerkstoffen in drei Dimensionen ist derzeit eine Herausforderung. 2D-Bilder sind billig zu erhalten und bieten Forschern eine hohe Auflösung und große Sichtfelder. Sie können die verschiedenen Materialien sehr gut voneinander unterscheiden. Andererseits sind 3D-Bildgebungstechniken oft teuer und vergleichsweise verschwommen. Ihre niedrige Auflösung macht es auch schwierig, verschiedene Phasen innerhalb eines Komposits zu identifizieren.
Beispielsweise können Forscher derzeit keine Materialien in Batterieelektroden identifizieren, die aus Keramikmaterial, polymetrischen Kohlenstoffbindemitteln und Poren für die flüssige Phase mithilfe von 3D-Bildgebungstechniken bestehen.
In dieser Studie verwendeten die Forscher eine neue maschinelle Lerntechnik namens "Deep Convolutional Generative Adversarial Networks" (DC-GANs), die 2014 erfunden wurde.
Dieser Ansatz, bei dem zwei neuronale Netze gegeneinander antreten, ist das Herzstück des Tools zur Konvertierung von 2D in 3D. Einem neuronalen Netzwerk werden die 2D-Bilder angezeigt und sie werden erkannt, während das andere versucht, „gefälschte“ 3D-Versionen zu erstellen. Wenn das erste Netzwerk alle 2D-Schnitte in der „gefälschten“ 3D-Version betrachtet und sie für „echt“ hält, können die Versionen zur Simulation aller interessierenden Materialeigenschaften verwendet werden.
Mit demselben Ansatz können Forscher auch Simulationen mit unterschiedlichen Materialien und Zusammensetzungen viel schneller als bisher durchführen, was die Suche nach besseren Verbundwerkstoffen beschleunigt.
Die Leistung vieler Geräte, die Verbundwerkstoffe wie Batterien enthalten, hängt eng mit der 3D-Anordnung ihrer Komponenten im Mikromaßstab zusammen. Die 3D-Abbildung dieser Materialien mit ausreichender Detailgenauigkeit kann jedoch mühsam sein. Die Forscher hoffen, dass ihr neues Tool für maschinelles Lernen die Community des Materialdesigns stärken wird, indem es in vielen Szenarien die Abhängigkeit von teuren 3D-Bildgebungsmaschinen beseitigt.
Generieren dreidimensionaler Strukturen aus einer zweidimensionalen Schicht mit generativ kontradiktorische netzwerkbasierte Dimensionalitätserweiterung.