基于随机微结构建模和 CNN 的从 2D SEM 图像预测固态氧化物燃料电池阳极 3D 微观结构
材料科学
2025-10-24 v1
摘要
固态氧化物燃料电池阳极的 3D 微观结构显著影响其电化学性能，但获取高分辨率微观结构 3D 数据的常规方法（如聚离子束扫描电子显微镜（FIB-SEM））在时间和资源上都昂贵。相比之下，获取 2D 图像（如扫描电子显微镜（SEM））更为可及，但通常提供的信息不足以准确表征 3D 微观结构。为解决这一挑战，我们提出了一种 novel 方法，用于从 2D SEM 图像预测 3D 微观结构。该方法利用随机几何生成低参数 3D 模型，以生成大量虚拟 3D 微观结构，并采用基于物理的 SEM 仿真工具获取相应的 2D SEM 图像。通过系统地变异基本模型参数，可生成大数据集用于训练卷积神经网络（CNN）。通过这种方式，我们可以从 2D SEM 图像中通过对随机 3D 模型进行抽样来统计性地重建 3D 微观结构，并预测模型参数。此外，我们对关键几何描述符进行了误差分析，以定量评估该立体学预测工具的准确性和可靠性。
引用
@article{arxiv.2510.20502,
title = {Predicting the 3D microstructure of SOFC anodes from 2D SEM images using stochastic microstructure modeling and CNNs},
author = {Léon F. Schröder and Sabrina Weber and Lukas Fuchs and Volker Schmidt and Benedikt Prifling},
journal= {arXiv preprint arXiv:2510.20502},
year = {2025}
}