基于深度学习的定量动态碎裂分析
材料科学
2024-07-19 v1
摘要
我们开发了一种适用于脆性不透明材料动态碎裂行为的定量时序测量的基于图像的卷积神经网络 (CNN)。该模型延续了前期 U-net 模型工作,其中我们使用监督学习训练了二分类、3 分类和 5 分类模型,针对使用 ultra-high speed optical imaging 在透明聚碳酸酯或丙烯基 backing 材料上测试的 various opaque structural ceramic 材料的动态断裂实验进行训练。实验细节超出本文范围,但简要而言,不同陶瓷材料受以空间和时间可变的机械载荷加载,以诱发非弹性变形和断裂过程,其频率可达 5 MHz。这些实验提供了丰富且多样化的数据集,包含静态和动态断裂中常见的多种断裂模式,包括锥形裂纹、中裂纹、碎裂以及涉及多个断裂模式同时激活和传播的复杂失效模式。虽然训练数据来自动态碎裂实验,但本研究同样适用于这些材料的静态加载,因为材料中裂纹速度通常在每秒公里数,而在这些材料中裂纹速度在 1-10 km/s 范围。我们认为本文所述方法将有助于量化结构材料的失效过程,用于保护应用,并可用于直接验证用于设计的工程模型。
引用
@article{arxiv.2407.12972,
title = {Deep Learning for Quantitative Dynamic Fragmentation Analysis},
author = {Erwin Cazares and Brian E. Schuster},
journal= {arXiv preprint arXiv:2407.12972},
year = {2024}
}