面向异质含能材料按设计框架中合成微结构生成的深度学习
材料科学
2023-05-12 v1 机器学习
摘要
异质含能（HE）材料（推进剂、炸药和烟火剂）的感度关键取决于其微结构。化学反应的引发发生在热点处，原因是孔隙及其他缺陷处的能量局域化。新兴的HE载荷响应多尺度预测模型考虑了介观尺度的物理，即微结构中具有统计代表性粒子团簇及其他特征的尺度。介观尺度物理被融入由高分辨率介观尺度模拟所告知的机器学习闭合模型中。由于微结构是随机的，需要介观尺度模拟的集合来量化热点引燃与增长，并开发依赖于微结构的能量沉积率模型。我们提出利用生成对抗网络（GAN）来生成异质含能材料合成微结构的集合。该方法通过从HE微结构图像中学习，生成定性与定量上均真实的微结构。我们表明，所提出的GAN方法还允许生成新形态，其中孔隙率分布可被控制并空间操控。这种控制为在按设计材料中设计新型微结构以定制HE材料性能铺平了道路。
引用
@article{arxiv.2004.04814,
title = {Deep learning for synthetic microstructure generation in a materials-by-design framework for heterogeneous energetic materials},
author = {Sehyun Chun and Sidhartha Roy and Yen Thi Nguyen and Joseph B. Choi and H. S. Udaykumar and Stephen S. Baek},
journal= {arXiv preprint arXiv:2004.04814},
year = {2023}
}