DeePore：用于多孔材料快速全面表征的深度学习工作流
材料科学
2020-10-13 v2 机器学习
摘要
DeePore 是一种基于二值化显微断层图像的深度学习工作流，用于快速估计多种多孔材料属性。通过组合自然存在的多孔纹理，我们生成了 17700 个尺寸为 256^3 体素的半真实三维多孔地质材料微结构，并利用相应孔隙网络模型上的物理模拟计算了每个样本的 30 个物理属性。随后，基于该数据集训练了一个前馈卷积神经网络（CNN），以在不到一秒的时间内估计多孔材料的若干形态、水力、电学和力学特征。为微调 CNN 设计，我们测试了 9 种不同训练场景，并选出了对 1418 个测试样本平均决定系数（R^2）最高（等于 0.885）的方案。此外，使用所提方法测试了 3 张独立合成图像与 3 张真实断层图像，并分别将结果与孔隙网络建模和实验数据进行比较。相较于实验数据，测试的绝对渗透率相对误差约为 13%，考虑到格子 Boltzmann 和有限体积等直接数值模拟方法的精度，这一结果值得关注。该工作流采用无量纲方法，兼容任意物理尺寸的图像，并可通过滑动窗口扫描整体几何并对模型输出取平均来表征大规模三维图像。
引用
@article{arxiv.2005.03759,
title = {DeePore: a deep learning workflow for rapid and comprehensive characterization of porous materials},
author = {Arash Rabbani and Masoud Babaei and Reza Shams and Ying Da Wang and Traiwit Chung},
journal= {arXiv preprint arXiv:2005.03759},
year = {2020}
}