基于多层合成有限元模型模拟的碳纳米管图像力学性能预测
机器学习
2023-07-18 v1 材料科学
计算机视觉与模式识别
图像与视频处理
摘要
我们提出了一种利用深度学习模型预测垂直取向碳纳米管(CNT)森林图像力学性能的流水线，用于基于人工智能(AI)的材料发现。我们的方法引入了一种创新的数据增强技术，涉及使用多层合成(MLS)或准2.5D图像，这些图像通过混合二维合成图像生成。MLS图像更接近于CNT的三维合成和真实扫描电子显微镜(SEM)图像，但无需承担昂贵的3D模拟或实验的计算成本。MLS图像的刚度和屈曲载荷等力学性能使用基于物理的模型进行估计。所提出的深度学习架构CNTNeXt建立在我们先前的CNTNet神经网络基础之上，采用ResNeXt特征表示，随后接随机森林回归估计器。我们利用混合合成图像集预测CNT物理性质的机器学习方法，在预测真实扫描电子显微镜图像的力学性能方面，预期将优于基于单一合成图像的学习。这有望加速对CNT森林自组装的理解与控制，以用于多种应用。
引用
@article{arxiv.2307.07912,
title = {Predicting mechanical properties of Carbon Nanotube (CNT) images Using Multi-Layer Synthetic Finite Element Model Simulations},
author = {Kaveh Safavigerdini and Koundinya Nouduri and Ramakrishna Surya and Andrew Reinhard and Zach Quinlan and Filiz Bunyak and Matthew R. Maschmann and Kannappan Palaniappan},
journal= {arXiv preprint arXiv:2307.07912},
year = {2023}
}
备注
6 pages, 7 figures