基于生成对抗网络的异质拓扑复杂三维材料微结构生成
图像与视频处理
2020-06-25 v1 材料科学
计算机视觉与模式识别
摘要
利用大规模实验获取的3D微结构数据集，我们实现了生成对抗网络（GAN）框架，以学习并生成固体氧化物燃料电池电极的3D微结构。所生成的微结构在视觉、统计和拓扑上均具真实感，其微结构参数（包括体积分数、颗粒尺寸、表面积、曲折度以及三相边界密度）的分布与原始微结构高度相似。我们将这些结果与已建立的基于颗粒的生成算法（DREAM.3D）的结果进行了比较与对比。重要的是，使用局部解析有限元模型进行的电化学性能仿真表明，GAN生成的微结构紧密匹配原始结构的性能分布，而DREAM.3D则导致显著差异。该生成式机器学习模型以高保真度重建微结构的能力表明，复杂微结构的本质或许可以被捕捉并以紧凑且可操控的形式表示。
引用
@article{arxiv.2006.13886,
title = {Microstructure Generation via Generative Adversarial Network for Heterogeneous, Topologically Complex 3D Materials},
author = {Tim Hsu and William K. Epting and Hokon Kim and Harry W. Abernathy and Gregory A. Hackett and Anthony D. Rollett and Paul A. Salvador and Elizabeth A. Holm},
journal= {arXiv preprint arXiv:2006.13886},
year = {2020}
}
备注
submitted to JOM