基于截面图像的深度学习法预测复合材料有效热导率
计算物理
2019-04-15 v1 数据分析、统计与概率
摘要
有效热导率是复合材料用于不同热管理应用的一项重要性质。尽管基于物理的方法（如有效介质理论和求解偏微分方程）主导了相关研究，但通过机器学习方法建立结构-性能关联仍存在显著兴趣。通用机器学习方法的性能高度依赖于为表示微结构所选的特征。三维卷积神经网络（CNNs）可直接提取复合材料的几何特征，已被证明能以高精度建立结构-性能关联。然而，在现实中获取复合材料的三维微结构通常具有挑战性。在本工作中，我们尝试使用在真实应用中更易获取的二维截面图像作为二维 CNNs 的输入，以预测三维复合材料的有效热导率。结果表明，通过使用沿填料优先方向性或垂直于该方向性的多个截面图像，二维 CNNs 的预测精度可与三维 CNNs 一样好。这一结果在颗粒填充复合材料和随机复杂复合材料中均得到验证。预测精度取决于所用截面图像的代表性。多个截面图像可充分确定填料的形状和分布。对多张图像取平均以及使用大尺寸图像可降低不确定性并提高预测精度。此外，由于沿热流方向的截面图像可区分串联结构和并联结构，它们比垂直于热流方向的截面图像更具代表性。
引用
@article{arxiv.1904.06104,
title = {Deep learning methods based on cross-section images for predicting effective thermal conductivity of composites},
author = {Qingyuan Rong and Han Wei and Hua Bao},
journal= {arXiv preprint arXiv:1904.06104},
year = {2019}
}