論文の概要: Analysis of the Compaction Behavior of Textile Reinforcements in Low-Resolution In-Situ CT Scans via Machine-Learning and Descriptor-Based Methods
- arxiv url: http://arxiv.org/abs/2508.10943v1
- Date: Wed, 13 Aug 2025 12:57:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:23.597838
- Title: Analysis of the Compaction Behavior of Textile Reinforcements in Low-Resolution In-Situ CT Scans via Machine-Learning and Descriptor-Based Methods
- Title（参考訳）: 機械学習と記述子に基づく低分解能インサイトCTスキャンにおける繊維補強材の圧縮挙動の解析
- Authors: Christian Düreth, Jan Condé-Wolter, Marek Danczak, Karsten Tittmann, Jörn Jaschinski, Andreas Hornig, Maik Gude,
- Abstract要約: ネスティングは硬さ、透水性、耐損傷性といった機械的特性を定義する上で重要な役割を果たしている。
本研究は,低分解能CTを用いた乾燥織物補強材におけるネスト挙動の定量化のための枠組みを提案する。
調整した3D-UNetにより,50～60%の繊維含有量に対応する圧縮段階におけるマトリックス,ウェフト,フィリングのセマンティックセマンティックセグメンテーションが可能となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A detailed understanding of material structure across multiple scales is essential for predictive modeling of textile-reinforced composites. Nesting -- characterized by the interlocking of adjacent fabric layers through local interpenetration and misalignment of yarns -- plays a critical role in defining mechanical properties such as stiffness, permeability, and damage tolerance. This study presents a framework to quantify nesting behavior in dry textile reinforcements under compaction using low-resolution computed tomography (CT). In-situ compaction experiments were conducted on various stacking configurations, with CT scans acquired at 20.22 $\mu$m per voxel resolution. A tailored 3D{-}UNet enabled semantic segmentation of matrix, weft, and fill phases across compaction stages corresponding to fiber volume contents of 50--60 %. The model achieved a minimum mean Intersection-over-Union of 0.822 and an $F1$ score of 0.902. Spatial structure was subsequently analyzed using the two-point correlation function $S_2$, allowing for probabilistic extraction of average layer thickness and nesting degree. The results show strong agreement with micrograph-based validation. This methodology provides a robust approach for extracting key geometrical features from industrially relevant CT data and establishes a foundation for reverse modeling and descriptor-based structural analysis of composite preforms.
- Abstract（参考訳）: 繊維強化複合材料の予測モデリングには, 複数スケールにわたる材料構造の詳細な理解が不可欠である。
ネスティング(Nesting)は、糸の局所的相互接続と不整合によって隣接する布地層を連動させることによって特徴づけられるもので、硬さ、透水性、耐損傷性などの機械的特性を定義する上で重要な役割を担っている。
本研究では,低分解能CT(低分解能CT)を用いて,乾燥織物補強材におけるネスト挙動を定量化するための枠組みを提案する。
様々な積み重ね構成でその場での圧縮実験が行われ、CTスキャンはボクセルの解像度あたり20.22$\mu$mで取得された。
調整された3D{-}UNetにより,50～60%の繊維体積量に対応する圧縮段階のマトリックス,ウェフト,フィリング相のセマンティックセグメンテーションが可能となった。
このモデルは0.822のインターセクション・オーバー・ユニオンの最小平均値と0.902のF1$スコアを達成した。
空間構造を2点相関関数$S_2$を用いて解析し,平均層厚とネスト度を確率論的に抽出した。
結果は,マイクログラフによる検証と強い一致を示した。
本手法は,産業用CTデータから重要な幾何学的特徴を抽出するためのロバストな手法を提供し,逆モデリングと複合プリフォームの記述子に基づく構造解析の基礎を確立する。
関連論文リスト
- Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - Shape-aware Sampling Matters in the Modeling of Multi-Class Tubular Structures [11.265651259708497]
深層学習は,ボリュームオーバーラップ精度を優先することで,自動形状モデリングを可能にする。
微粒な管状形状の固有の複雑さは、重なり合う精度によって完全に強調されないため、トポロジカルな保存が減少する。
本研究では,オンラインサンプリングのためのパッチサイズ割り当てを最適化し,目的関数のための位相保存骨格表現を抽出するShapeaware Sampling (SAS)を提案する。
論文 参考訳（メタデータ） (2025-06-14T08:20:08Z) - Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。
ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。
モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
論文 参考訳（メタデータ） (2025-05-14T20:21:23Z) - AI enhanced finite element multiscale modelling and structural
uncertainty analysis of a functionally graded porous beam [11.994242021813696]
金属発泡体の局所的幾何学的ランダム性は多孔質構造の性能予測に複雑さをもたらす。
本研究では, マルチスケールモデリングと深層学習を組み合わせることで, 発泡特性を効率的に評価するための評価戦略を開発した。
論文 参考訳（メタデータ） (2022-11-02T07:36:24Z) - Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene [45.61296767255256]
包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。
本稿では、ディープニューラルネットワークを用いた実験データからバンド構造パラメータを導出する一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-12T15:24:42Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Cell division in deep material networks applied to multiscale strain
localization modeling [0.0]
deep material networks(dmn)は、ビルディングブロックに組み込みメカニクスを持つ機械学習モデルである。
ネットワーク上のスケール遷移を追跡するために新しいセル分割スキームが提案され、その一貫性は適合パラメータの物理によって保証される。
細胞中の新たな亀裂表面は凝集層を豊かにすることでモデル化され、亀裂発生と進化のために障害アルゴリズムが開発されている。
論文 参考訳（メタデータ） (2021-01-18T18:24:51Z) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳（メタデータ） (2020-09-30T18:18:00Z) - FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for
Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。
ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。
実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2020-01-17T07:13:51Z) - A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。
TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。
提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-01-09T02:15:46Z)
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。