論文の概要: An Automated and Reproducible Workflow for Crack Identification and Damage Assessment of Fusion Materials

• arxiv url: http://arxiv.org/abs/2610.03505v1
• Date: Fri, 02 Oct 2026 16:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.467807
• Title: An Automated and Reproducible Workflow for Crack Identification and Damage Assessment of Fusion Materials
• Title（参考訳）: 核融合材料のき裂識別と損傷評価のための自動化・再現可能なワークフロー
• Abstract要約: 本稿では,走査型電子顕微鏡画像による自動き裂識別と定量的損傷評価のための再現可能なワークフローを提案する。 5つのタングステングレードと3つのミクロ構造状態にまたがる114の実験から418枚の画像を含むスパース電子ビーム熱ショックデータセット上でのワークフローを実証した。 したがって、主な貢献は、実験的な特徴付け、自動画像解析、予備的な損傷予測、核融合物質研究のためのシミュレーション誘導データ取得をリンクするエンドツーエンドで共有可能でポータブルなワークフローである。
• 参考スコア（独自算出の注目度）: 1.0260880679794957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-exposure microscopy is central to qualification of fusion materials. However, manual analysis does not scale to the volume, heterogeneity, and multiresolution character of modern fusion-materials campaigns. To address this challenge, we present a reproducible workflow, implemented in the Galaxy scientific workflow environment, for automated crack identification and quantitative damage assessment from scanning electron microscopy images. The workflow processes SEM images and experimental metadata to identify cracks, quantify damage, and retain the intermediate products and processing history needed for reproducibility. Outputs include crack masks, skeletonized crack networks, quality-control visualizations, and scalar damage descriptors. The method is designed to operate without image-specific parameter tuning across tungsten grades, microstructures, magnifications, and damage states. We demonstrate the workflow on a sparse electron-beam thermal-shock dataset containing 418 images from 114 experiments spanning five tungsten grades and three microstructural states. We define a crack-density descriptor, which provides standardized inputs for downstream machine-learning prediction and physics-based crack simulation. These predictive components are exposed in the same Galaxy environment and are intentionally treated here as extensible workflow modules. The principal contribution is therefore an end-to-end, shareable, and computationally portable workflow that links experimental characterization, automated image analysis, preliminary damage prediction, and simulation-guided data acquisition for fusion-materials research.
• Abstract（参考訳）: 露光後の顕微鏡は核融合の資格の中心である。 しかし、手動解析は現代の核融合物質キャンペーンの体積、不均一性、多分解能特性にスケールしない。 この課題に対処するため,Galaxy科学ワークフロー環境に実装された再現可能なワークフローを,走査型電子顕微鏡画像から自動き裂識別と定量的損傷評価のために提案する。 ワークフローは、SEMイメージと実験メタデータを処理し、ひび割れを特定し、損傷を定量化し、再現性に必要な中間製品と処理履歴を保持する。 出力にはクラックマスク、スケルトン化されたクラックネットワーク、品質管理の可視化、スカラー損傷ディスクリプタなどが含まれる。 この方法は、タングステングレード、ミクロ構造、倍率、損傷状態にまたがる画像特異的パラメータチューニングなしで動作するよう設計されている。 5つのタングステングレードと3つのミクロ構造状態にまたがる114の実験から418枚の画像を含むスパース電子ビーム熱ショックデータセット上でのワークフローを実証した。 我々は、下流の機械学習予測と物理に基づくき裂シミュレーションのための標準化された入力を提供するき裂密度記述子を定義する。 これらの予測コンポーネントは同じGalaxy環境で公開され、意図的に拡張可能なワークフローモジュールとして扱われる。 したがって、主な貢献は、実験的な特徴付け、自動画像解析、予備的な損傷予測、融合材料研究のためのシミュレーション誘導データ取得をリンクするエンドツーエンドで共有可能で計算可能なワークフローである。

関連論文リスト

• CP-Agent: A Harness-Engineered Agent for Crystal Plasticity Simulation Workflows [6.55975335778463]
  本研究では,LLMをベースとしたCP-Agentを,自然言語タスクから完全なCPモデリングを自律的に実行するエージェントとして提案する。 ハーネスは、最小限のシステムプロンプト、型付きツール定義、ディスパッチ、安全バウンドループで構成され、ハードコードされたロジックではなく、ツールスキーマを通じてドメイン知識をエンコードする。
  論文  参考訳（メタデータ） (2026-09-25T02:23:59Z)
• Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis [3.3176565054468714]
  本稿では、シミュレーションと現実のギャップを埋めることのできる、労働自由化のための新しい枠組みを提案する。 我々は、不対向画像画像変換にCycleGAN(Cycle-Consistent Generative Adversarial Network)を用いる。 この合成データに特化して訓練されたU-Netモデルは、目に見えない実験画像に展開する際、顕著な一般化を示した。
  論文  参考訳（メタデータ） (2026-02-02T06:36:06Z)
• A Foundation Model for Material Fracture Prediction [37.06207593775499]
  フラクチャー予測のためのデータ駆動基礎モデルを提案する。 シミュレーター、幅広い材料、様々な負荷条件で作動する。 さまざまな下流タスクに関する最小限のデータで微調整できる。
  論文  参考訳（メタデータ） (2025-07-30T20:23:36Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• CryoGEM: Physics-Informed Generative Cryo-Electron Microscopy [38.57626501108458]
  物理インフォームド生成型低温電子顕微鏡(CryoGEM)を紹介する。 CryoGEMは、物理に基づくCryo-EMシミュレーションと生成不能ノイズ変換を統合して、現実的なノイズを生成する。 実験の結果,CryoGEMはCryo-EM画像を生成することができることがわかった。
  論文  参考訳（メタデータ） (2023-12-04T07:52:56Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• Combining Variational Autoencoders and Physical Bias for Improved Microscopy Data Analysis [0.0]
  本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。 本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。 その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-08T17:35:38Z)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。