基于无损孔洞拓扑的深度学习预测结构材料失效特征
材料科学
2022-05-19 v1 机器学习
摘要
准确预测结构材料的失效进程对于防止失效引发的事故至关重要。尽管基于力学建模做出了大量努力，但由于意外的损伤因素和缺陷演化，在真实环境中准确预测仍是一项具有挑战性的任务。在此，我们报告了一种预测材料失效特征的新方法，其独特地结合了无损 X 射线计算机断层扫描 (X-CT)、持续同调 (PH) 和深度多模态学习 (DML)。该组合方法以材料检测时的微观结构缺陷状态作为输入，输出与失效相关的性质。我们以铁素体低合金钢作为代表性结构材料，使用两类断裂数据集（拉伸和疲劳数据集）证明了该方法的有效性。该方法在利用拉伸数据集预测局部应变时达到 0.09 的平均绝对误差 (MAE)，在利用疲劳数据集预测断裂进程时达到 0.14 的 MAE。这些高精度主要源于对 X-CT 图像的 PH 处理，其将复杂且含噪的三维 X-CT 图像转换为紧凑的二维持续图，保留了内部孔洞尺寸、密度和分布等关键拓扑特征。对三维 X-CT 数据的 PH 与 DML 组合处理是我们独特的方法，能够基于孔洞拓扑演化在材料检测时实现可靠的失效预测，并且该方法可扩展到各种无损失效测试以供实际应用。
引用
@article{arxiv.2205.09075,
title = {Predicting failure characteristics of structural materials via deep learning based on nondestructive void topology},
author = {Leslie Ching Ow Tiong and Gunjick Lee and Seok Su Sohn and Donghun Kim},
journal= {arXiv preprint arXiv:2205.09075},
year = {2022}
}