Новый алгоритм, разработанный в Имперском колледже Лондона, может преобразовывать 2D-изображения композитных материалов в 3D-структуры.
Алгоритм машинного обучения может помочь материаловедам и производителям изучать и улучшать конструкцию и производство композитных материалов, таких как электроды батарей и детали самолетов, в 3D.
Используя данные 2D сечений композитных материалов, полученных путем комбинирования различных материалы Благодаря различным физическим и химическим свойствам алгоритм может расширять размеры поперечных сечений, чтобы преобразовать их в компьютеризированные трехмерные модели. Это позволяет ученым изучать различные материалы или «фазы» композита и то, как они сочетаются друг с другом.
Инструмент изучает, как выглядят двухмерные поперечные сечения композитов, и масштабирует их, чтобы их фазы можно было изучать в трехмерном пространстве. В будущем его можно будет использовать для оптимизации конструкции этих типов материалов, позволяя ученым и производителям изучать многослойную архитектуру композитов.
Исследователи обнаружили, что их метод дешевле и быстрее, чем создание трехмерных компьютерных изображений из физических трехмерных объектов. Он также смог более четко идентифицировать различные фазы в материалах, что сложнее сделать с использованием современных методов.
Комбинирование материалов в виде композитов позволяет вам воспользоваться преимуществами лучших свойств каждого компонента, но их детальное изучение может быть сложной задачей, поскольку расположение материалов сильно влияет на производительность. Алгоритм позволяет исследователям брать данные своих 2D-изображений и создавать 3D-структуры со всеми теми же свойствами, что позволяет им выполнять более реалистичное моделирование.
Изучение, проектирование и производство композитных материалов в трех измерениях в настоящее время является сложной задачей. Двухмерные изображения дешевы в получении, они дают исследователям высокое разрешение, широкое поле зрения и очень хорошо распознают различные материалы. С другой стороны, методы получения трехмерных изображений часто бывают дорогими и сравнительно размытыми. Их низкое разрешение также затрудняет идентификацию различных фаз в композите.
Например, в настоящее время исследователи не могут идентифицировать материалы внутри электродов батареи, которые состоят из керамического материала, углеродных полиметрических связующих и пор для жидкой фазы, с помощью методов трехмерной визуализации.
В этом исследовании исследователи использовали новую технику машинного обучения под названием `` глубокие сверточные генеративные состязательные сети '' (DC-GAN), которая была изобретена в 2014 году.
Этот подход, при котором две нейронные сети вынуждены конкурировать друг с другом, лежит в основе инструмента для преобразования 2D в 3D. Одна нейронная сеть показывает 2D-изображения и учится их распознавать, в то время как другая пытается создавать «поддельные» 3D-версии. Если первая сеть просматривает все 2D-срезы в «фальшивой» 3D-версии и думает, что они «настоящие», то эти версии можно использовать для моделирования любого интересующего свойства материала.
Тот же подход также позволяет исследователям запускать моделирование с использованием различных материалов и составов намного быстрее, чем это было возможно ранее, что ускорит поиск лучших композитов.
Производительность многих устройств, содержащих композитные материалы, например батареи, тесно связана с трехмерным расположением их компонентов в микромасштабе. Однако создание достаточно подробных 3D-изображений этих материалов может оказаться трудоемким. Исследователи надеются, что их новый инструмент машинного обучения расширит возможности сообщества разработчиков материалов, избавившись от зависимости от дорогостоящих машин для создания трехмерных изображений во многих сценариях.
Создание трехмерных структур из двухмерного среза с помощью генеративный расширение размерности на основе состязательной сети.