Новый инструмент машинного обучения преобразует 2D-изображения материалов в 3D-структуры
Новый алгоритм, разработанный в Имперском колледже Лондона, может преобразовывать 2D-изображения композитных материалов в 3D-структуры. Алгоритм машинного обучения может помочь материаловедам и производителям изучать и улучшать конструкцию и производство композитных материалов, таких как электроды аккумуляторных батарей и детали самолетов в 3D
Используя данные из двумерных поперечных сечений композитных материалов, полученных путем комбинирования различных материалов с различными физическими и химическими свойствами, алгоритм может расширить размеры поперечных сечений, чтобы преобразовать их в трехмерные компьютеризированные модели. Это позволяет ученым изучать различные материалы или «фазы» композита и то, как они сочетаются друг с другом. Инструмент изучает, как выглядят двухмерные поперечные сечения композитов, и масштабирует их, чтобы их фазы можно было изучать в трехмерном пространстве. В будущем его можно будет использовать для оптимизации конструкции этих типов материалов, позволяя ученым и производителям изучать многослойную архитектуру композитов Исследователи обнаружили, что их метод дешевле и быстрее, чем создание трехмерных компьютерных изображений из физических трехмерных объектов. Он также смог более четко идентифицировать различные фазы в материалах, что сложнее сделать с использованием современных методов.
Ведущий автор статьи Стив Кенч, доктор философии. студент группы Tools for Learning, Design and Research (TLDR) в Imperial's Dyson School of Design Engineering, сказал: «Объединение материалов в виде композитов позволяет вам воспользоваться преимуществами лучших свойств каждого компонента, но их детальное изучение может оказаться сложной задачей. так как расположение материалов сильно влияет на производительность. Наш алгоритм позволяет исследователям брать данные 2D-изображения и создавать 3D-структуры со всеми теми же свойствами, что позволяет им выполнять более реалистичное моделирование». Изучение, проектирование и производство композитных материалов в трех измерениях в настоящее время является сложной задачей. Двухмерные изображения дешевы в получении, они дают исследователям высокое разрешение, широкое поле зрения и очень хорошо распознают различные материалы. С другой стороны, методы получения трехмерных изображений часто бывают дорогими и сравнительно размытыми. Их низкое разрешение также затрудняет идентификацию различных фаз в композите. Тот же подход также позволяет исследователям проводить моделирование с использованием различных материалов и составов намного быстрее, чем это было возможно ранее, что ускорит поиск лучших композитов. Соавтор д-р Сэм Купер, который возглавляет группу TLDR в Школе проектирования Дайсона, сказал: «Производительность многих устройств, содержащих композитные материалы, такие как батареи, тесно связана с трехмерным расположением их компонентов в микромасштаб. Однако создание трехмерных изображений этих материалов с достаточной детализацией может оказаться трудоемким. Мы надеемся, что наш новый инструмент машинного обучения расширит возможности сообщества разработчиков материалов, избавившись от зависимости от дорогостоящих машин трехмерного изображения во многих сценариях ». «Генерация трехмерных структур из двухмерного среза с генеративным состязательным сетевым расширением размерности» Стива Кенча и Сэмюэля Дж. Купера было опубликовано 5 апреля 2021 года в журнале Nature Machine Intelligence.
Результаты опубликованы в журнале Nature Machine Intelligence.