論文の概要: Predicting failure characteristics of structural materials via deep
learning based on nondestructive void topology
- arxiv url: http://arxiv.org/abs/2205.09075v1
- Date: Tue, 17 May 2022 05:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 14:01:35.650820
- Title: Predicting failure characteristics of structural materials via deep
learning based on nondestructive void topology
- Title（参考訳）: 非破壊空隙トポロジーに基づく深層学習による構造材料の破壊特性の予測
- Authors: Leslie Ching Ow Tiong, Gunjick Lee, Seok Su Sohn, Donghun Kim
- Abstract要約: 非破壊的X線CT(X-CT)、持続的ホモロジー(PH)、深層マルチモーダル学習(DML)を組み合わせた材料破壊特性の予測手法を提案する。
材料検査時の微細欠陥状態を入力として利用し、故障関連特性を出力する。
- 参考スコア（独自算出の注目度）: 0.5735035463793008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate predictions of the failure progression of structural materials is
critical for preventing failure-induced accidents. Despite considerable
mechanics modeling-based efforts, accurate prediction remains a challenging
task in real-world environments due to unexpected damage factors and defect
evolutions. Here, we report a novel method for predicting material failure
characteristics that uniquely combines nondestructive X-ray computed tomography
(X-CT), persistent homology (PH), and deep multimodal learning (DML). The
combined method exploits the microstructural defect state at the time of
material examination as an input, and outputs the failure-related properties.
Our method is demonstrated to be effective using two types of fracture datasets
(tensile and fatigue datasets) with ferritic low alloy steel as a
representative structural material. The method achieves a mean absolute error
(MAE) of 0.09 in predicting the local strain with the tensile dataset and an
MAE of 0.14 in predicting the fracture progress with the fatigue dataset. These
high accuracies are mainly due to PH processing of the X-CT images, which
transforms complex and noisy three-dimensional X-CT images into compact
two-dimensional persistence diagrams that preserve key topological features
such as the internal void size, density, and distribution. The combined PH and
DML processing of 3D X-CT data is our unique approach enabling reliable failure
predictions at the time of material examination based on void topology
progressions, and the method can be extended to various nondestructive failure
tests for practical use.
- Abstract（参考訳）: 構造物の故障進行の正確な予測は,事故発生防止に重要である。
力学モデリングに基づくかなりの努力にもかかわらず、予想外の損傷要因と欠陥の進化により、現実の環境では正確な予測が難しい課題である。
本稿では,非破壊的X線CT(X-CT),持続的ホモロジー(PH),深層マルチモーダル学習(DML)を一意に組み合わせた材料破壊特性の予測手法を提案する。
複合方法は、材料検査時の微細構造欠陥状態を入力として活用し、故障関連特性を出力する。
本手法は, フェライト系低合金鋼を代表材料として, 2種類のフラクチャーデータセット(引張および疲労データセット)を用いて有効であることを示す。
引張データセットで局部ひずみを予測する場合の平均絶対誤差(mae)を0.09とし、疲労データセットで破壊進展を予測する場合のmae(mae)を0.14とする。
これらの高い精度は、複雑でノイズの多い3次元x-ct画像を内部空洞サイズ、密度、分布といった重要な位相的特徴を保持するコンパクトな2次元永続図に変換するx-ct画像のph処理に起因する。
3次元X-CTデータのPH処理とDML処理を併用した手法は,空洞トポロジーの進展に基づく材料検査時に信頼性の高い故障予測が可能であり,本手法を様々な非破壊故障試験に拡張して実用化することができる。
関連論文リスト
- Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity [1.3654846342364308]
セグメンテーション能力に対する構造的類似性の影響を分析するために、3つのデータセットが作成された。
半教師あり学習のための弱強整合正則化を実装した。
提案手法はトレーニングに必要なラベル付き画像の数を6。
論文 参考訳（メタデータ） (2024-03-27T08:21:41Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳（メタデータ） (2023-03-09T05:52:42Z) - Towards a unified nonlocal, peridynamics framework for the
coarse-graining of molecular dynamics data with fractures [6.478834929962051]
MD模擬材料破壊データセットからメソスケール連続体サロゲートとして周辺力学モデルを抽出する学習フレームワークを提案する。
我々の周辺力学シュロゲートモデルは、トレーニングと異なるグリッド解像度の予測タスクに利用できる。
論文 参考訳（メタデータ） (2023-01-11T16:07:17Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。
これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。
このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
論文 参考訳（メタデータ） (2020-07-02T18:00:02Z) - Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework [1.3858051019755282]
繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
論文 参考訳（メタデータ） (2020-03-24T17:13:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。