连续介质微力学背景下基于生成对抗神经网络的三维微结构生成
材料科学
2022-08-12 v3 机器学习
摘要
多尺度模拟对计算资源要求很高。在连续介质微力学背景下，多尺度问题源于需要从微观尺度推断宏观材料参数。如果底层微结构通过 microCT 扫描显式给出，则可以使用卷积神经网络来学习通常通过计算均匀化获得的微结构-性能映射。CNN 方法显著加速了计算，尤其在异质或功能梯度材料背景下。另一应用是不确定性量化，其需要大量高开销的评估。然而，该方法的一个瓶颈是需要大量训练微结构。本工作通过提出一种专为三维微结构生成定制的生成对抗网络弥补了这一缺口。该轻量算法能够从单次 microCT 扫描中学习材料的底层属性，而无需显式描述符。在预测时，该网络能在不到一秒的时间内以持续高质量生成具有与原始数据相同属性的独特三维微结构。
引用
@article{arxiv.2206.01693,
title = {Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics},
author = {Alexander Henkes and Henning Wessels},
journal= {arXiv preprint arXiv:2206.01693},
year = {2022}
}