論文の概要: Predicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning

• arxiv url: http://arxiv.org/abs/2607.28695v1
• Date: Thu, 30 Jul 2026 10:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.390749
• Title: Predicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning
• Title（参考訳）: 物理インフォームドディープラーニングによるマイクログラフからの鋼疲労寿命予測
• Authors: Aryuemaan Kumar Chowdhury,
• Abstract要約: 本報告では,光学顕微鏡から直接軽量合金鋼の疲労寿命(log N_f$)を推定するコンピュータビジョンフレームワークであるCVについて述べる。 画像あたり65ms以下で実行されるパイプラインと合成データセットジェネレータは、オープンソースである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Here is the plain text version optimized for arXiv's submission form. Custom macros (like \CV and \SI) have been converted to standard text/math so they render correctly on the webpage: Evaluating the fatigue life of structural steels conventionally requires mechanical testing lasting tens to hundreds of hours, making it impractical for rapid quality control. We present CV, a computer vision framework that estimates the fatigue life ($\log N_f$) of lightweight alloy steels directly from optical micrographs without physical testing.The pipeline features a seven-stage OpenCV preprocessing routine to remove artifacts, a 28-dimensional physics-informed feature extractor (quantifying crack morphology, grain structure, porosity, and texture), and a CNN regression model trained with a Gaussian negative log-likelihood (GNLL) loss to jointly predict $\log N_f$ and sample-specific uncertainty $\hatσ$.Evaluating three architectures (SE-CNN, ResNet-50, VGG-16) on a synthetic micrograph benchmark, ResNet-50 achieves $R^2 = 0.93$, RMSE = 0.18 log-cycles, and macro-F1 = 0.91. The GNLL objective reduces Expected Calibration Error by 76% compared to a mean-squared-error baseline (ECE: $0.089 \rightarrow 0.021$). Grad-CAM maps confirm the network attends to metallurgically meaningful microstructural features.Running in under 65 ms per image, the pipeline and synthetic dataset generator are open-sourced. Because validation relies entirely on synthetic micrographs, these results demonstrate methodological soundness under simulated conditions; a domain-transfer study on real field samples is the immediate next step.
• Abstract（参考訳）: 以下は、arXivの提出形式に最適化されたプレーンテキストバージョンである。 従来の構造鋼の疲労寿命を評価するには、機械的試験を数十時間から数百時間継続する必要があるため、迅速な品質管理には実用的ではない。 我々は,光学顕微鏡から直接軽量合金鋼の疲労寿命を推定するコンピュータビジョンフレームワークであるCVについて述べる。このパイプラインは,加工品を除去するための7段階のOpenCV前処理ルーチン,28次元物理インフォーム特徴抽出器(き裂形態,結晶構造,孔率,テクスチャの定量化),およびガウス陰性ログライリフッド(GNLL)損失をトレーニングしたCNN回帰モデルにより,$\log N_f$とサンプル特異不確実性$\hatσ$を共同で予測する。 合成マイクログラフベンチマークで3つのアーキテクチャ(SE-CNN、ResNet-50、VGG-16)を評価すると、ResNet-50はR^2 = 0.93$、RMSE = 0.18ログサイクル、マクロF1 = 0.91を達成する。 GNLLの目標は、平均2乗誤差ベースライン(ECE:$0.089 \rightarrow 0.021$)と比較して、期待されるキャリブレーションエラーを76%削減する。 Grad-CAMマップは、ネットワークが金属学的に意味のある微細構造の特徴に付随していることを確認し、画像あたり65ms以下で実行し、パイプラインと合成データセットジェネレータをオープンソース化する。 バリデーションは完全に合成マイクログラフに依存しているため、これらの結果はシミュレーション条件下での方法論的健全性を示す。

関連論文リスト

• When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping [0.34376560669160394]
  InSARを基盤とした火山・地震モニタリングにおいて、運用段階の解凍が主要な計算ボトルネックとなっている。 我々は,世界規模のLiCSARベンチマーク(20フレーム,39,724パッチ,651万ピクセル)における最初の大規模アーキテクチャアブレーション研究を示す。
  論文  参考訳（メタデータ） (2026-04-28T02:36:08Z)
• Thermal Anomaly Detection using Physics Aware Neuromorphic Networks: Comparison between Raw and L1C Sentinel-2 Data [5.904895437536006]
  近年の地球観測では、非圧縮レベル0(L0)センサーデータに基づいて、熱異常検出が直接行われることが示されている。 データの直接利用は、ドメインシフト、センサードリフト、ラジオメトリックの不整合、ラベル付きトレーニングサンプルの不足など、依然として困難である。 本研究は, 搭載熱異常検出のための物理対応ニューロモルフィックネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T02:15:02Z)
• Sketch2Feedback: Grammar-in-the-Loop Framework for Rubric-Aligned Feedback on Student STEM Diagrams [0.0]
  Sketch2Feedbackは,問題を4段階に分解する文法-イン-ザ-ループフレームワークである。 我々は,FBD-10とCircuit-10の2種類の合成マイクロベンチマークについて,それぞれ500枚の画像が標準値とハードノイズ増大レベルに分散されていることを評価した。
  論文  参考訳（メタデータ） (2026-02-19T20:34:24Z)
• A Physics-Constrained, Design-Driven Methodology for Defect Dataset Generation in Optical Lithography [1.0610015128259989]
  本研究では,画素レベルのアノテーションを用いて,大規模かつ物理的に有効な欠陥データセットを生成する手法を提案する。 我々は13,365個の注釈付き欠陥を含む3,530個の光学マイクログラフの包括的データセットを構築した。
  論文  参考訳（メタデータ） (2025-12-09T06:13:33Z)
• Exploring the Hierarchical Reasoning Model for Small Natural-Image Classification Without Augmentation [51.56484100374058]
  MNIST、CIFAR-10、CIFAR-100で意図的に生の条件下で評価される。 拡張性のない小型画像分類では、HRMは単純な畳み込みアーキテクチャと競合するものではないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-04T01:22:41Z)
• Model Discovery and Graph Simulation: A Lightweight Gateway to Chaos Engineering [0.0]
  カオスエンジニアリングはレジリエンスのリスクを明らかにしますが、広く頻繁に実行するには高価で運用上のリスクがあります。 我々は、単純な接続のみのトポロジモデルにより、フェールストップフォールトの下で、高速で低リスクなアベイラビリティー推定を行うことができると主張している。
  論文  参考訳（メタデータ） (2025-06-12T10:59:28Z)
• Simple ReFlow: Improved Techniques for Fast Flow Models [68.32300636049008]
  拡散および流れマッチングモデルは、優れた生成性能を実現するが、多くのサンプリングステップを犠牲にしている。 我々は、力学、学習、推論のトレーニングに7つの改善点を提案する。 我々は、ニューラルネットワークによる高速な生成のために、最先端のFIDスコア(ガイダンスなし/参照なし)を達成している。
  論文  参考訳（メタデータ） (2024-10-10T11:00:55Z)
• CrAM: A Compression-Aware Minimizer [103.29159003723815]
  本稿では、CrAMと呼ばれる新しい圧縮対応最小化器を提案し、最適化ステップを原則的に修正する。 CrAMは、標準のSGD/アダムベースベースラインよりも精度が高い密度のモデルを生成するが、重量計算では安定である。 CrAMは、転送学習のためにうまく機能するスパースモデルを生成することができ、GPUハードウェアでサポートされている半構造化の2:4プルーニングパターンでも機能する。
  論文  参考訳（メタデータ） (2022-07-28T16:13:28Z)
• NeFSAC: Neurally Filtered Minimal Samples [90.55214606751453]
  NeFSACは、動作不整合で条件の悪い最小サンプルをニューラルネットワークでフィルタリングするための効率的なアルゴリズムである。 NeFSACは既存のRANSACベースのパイプラインに接続できる。 公開されている3つの実世界のデータセットから100万枚以上のイメージペアでNeFSACをテストしました。
  論文  参考訳（メタデータ） (2022-07-16T08:02:05Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep Learning [12.991428974915795]
  深層学習は、X線顕微鏡で初めて限られた角度再構成に適用される。 バイオメディカルイメージングにおける最先端のニューラルネットワークであるU-Netは、合成データからトレーニングされている。 提案法は, クロレラ細胞における細胞内構造の3次元可視化を著しく改善する。
  論文  参考訳（メタデータ） (2020-01-08T12:11:19Z)

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。