.png){kind=icon}
返回
Linking microscopy to predictive coating performance via machine learning
.png){kind=icon}
OA
AI
DOI：10.1557/s43579-025-00886-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电子显微镜（EM）和机器学习正逐步被用于通过将显微图像与其他特征与模型相关联，来量化涂层的特性和性能。近期研究涵盖了独立的技术，但仅有少数通过综合整合成像、算法和工程目标。本文考察了EM如何产生形态、界面和缺陷的高分辨率图像，以及学习方法如何将这些图像转换为描述符和模型。我们比较了学习策略，包括无监督学习和经典图像处理、使用U Net进行涂层相和孔隙分割的深度学习、预测摩擦学响应的标签高效EM方法以及基于树模型的方法。本综述还建议使用包含完整元数据的基准数据集、跨实验室验证和伴随专家评估的混合训练。展望未来，目标是指导研究人员开发能够加速涂层配方和加工过程的预测性和规范性流程。
Keyword:
Coating
Machine learning
Morphology
Polymer
Scanning electron microscopy
Transmission electron microscopy
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.3
论文数:
244
被引数:
2.8K
机构
引用论文
Machine learning modeling of time-dependent corrosion rates of carbon steel in presence of corrosion inhibitors存在腐蚀抑制剂的碳钢随时间变化的腐蚀速率的机器学习建模.png)
CORROSION SCIENCE
CORROSION SCIENCEIF8.5
PREAI
分享收藏Scanning and transmission electron microscopy examinations of composite hybrid chromate and chromate phosphate conversion coatings exposed in hot 100% relative humidity environmentsIkubanni, P.P.; Oki, M.; Adediran, A.A.; Akintola, S.A.; Adeleke, A.A. 热扫描和透射电子显微镜对复合混合铬酸盐和铬酸盐磷酸盐转化涂层的检查，在100%相对湿度的热环境中暴露。Hybrid Adv. 2023, 3, 100067. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容