.png){kind=icon}
返回
3D variational autoencoder for fingerprinting microstructure volume elements
.png){kind=icon}
OA
AI
DOI：10.1016/j.commatsci.2025.114145.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微观结构定量是建立材料中结构-性能关系的重要步骤。基于机器学习的图像处理方法已被证明优于传统的图像处理技术，并且正越来越多地应用于微观结构定量任务。在本工作中，我们提出了一种三维变分自编码器（VAE），用于编码包含体素化晶体学取向数据的微观结构体积单元（VEs）。通过预处理步骤将取向映射到晶体学基本区来考虑取向空间中的晶体对称性，这使得可以使用连续损失函数并提高训练收敛率。然后使用该VAE对具有等轴多晶微观结构和随机织构的训练集VEs进行编码。在测试数据集上，对于维度为256的连续潜在空间，实现了相对平均取向误差为3×10−2的准确重建。我们表明，该模型能够很好地泛化到具有训练分布之外的织构、晶粒尺寸和长宽比的微观结构。
Keyword:
Machine learning
Microstructure characterisation
Feature learning
Fingerprinting
Crystal plasticity
Surrogate model
期刊
IF:
3.3
论文数:
1.4W
被引数:
3.6W
机构
暂无机构信息
引用论文
Microstructure informatics using higher-order statistics and efficient data-mining protocols.png)
JOM
JOMIF0
PREAI
分享收藏From electrons to finite elements: A concurrent multiscale approach for metalsPHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Overview: Computer Vision and Machine Learning for Microstructural Characterization and Analysis
OAAI
OAAI分享收藏A novel integrated framework for reproducible formability predictions using virtual materials testingA. Plowman, P. Jedrasiak, T. Jailin, P. Crowther, S. Mishra, P. Shanthraj, J. Quinta Da Fonseca, https://materialsopenresearch.org/articles/2-2/v1《一种用于可再现成形性预测的虚拟材料测试集成框架新方法》，Materials Open Research 2 (2023) 2. doi:10.12688/materialsopenres.17516.1. https://materialsopenresearch.org/articles/2-2/v1
PREAI
分享收藏
查看更多内容