Экспериментальное изучение свойств сложных многокомпонентных материалов на реальных образцах не всегда эффективно и экономически оправдано. Чтобы оценить их характеристики и применимость для изготовления тех или иных деталей, используется численное 3D-моделирование материалов, однако имеющиеся методы оцифровки трехмерных экспериментальных образцов требуют серьезных временных и экономических затрат. Ученые Пермского национального исследовательского политехнического университета (ПНИПУ) разработали алгоритм обучения нейросети, позволяющий с высокой скоростью реконструировать качественные 3D-структуры материалов по изображениям поперечных срезов, сообщает пресс-служба вуза.
Реконструкция нескольких статически эквивалентных структур из 643 вокселей с использованием 2D-изображений из набора данных с нормальным распределением с открытыми ячейками (a), набора данных с равномерным распределением с открытыми ячейками (b) и набора данных с закрытыми ячейками
В современном мире практически повсеместно используются так называемые гетерогенные материалы. К природным примерам можно отнести гранит, состоящий из трех минералов — кварца, слюды и полевого шпата. В сложных инженерных приложениях применяются искусственно получаемые композиты. Возможность комбинирования свойств исходных компонентов определяет возможность использования таких материалов в конкретных применениях. Чтобы изучить микроструктуру материала и оценить морфологические характеристики, необходимо получить его цифровую 3D-структуру.
«Существующие методы оцифровки материалов крайне затратны как по времени, так и по финансам. К тому же, они ограничиваются анализом небольших объемов материала, которые могут быть недостаточно репрезентативными, а для некоторых материалов не подходят вовсе, например из-за свойств поверхности или низкого контраста свойств внутренних компонентов. Поэтому во многих случаях доступны только 2D-изображения поверхности материала. В этой связи актуальна задача восстановления однородной случайной 3D-структуры из двумерного изображения», — рассказал ведущий научный сотрудник научно-исследовательской лаборатории «Механика биосовместимых материалов и устройств», доцент кафедры динамики и прочности машин Михаил Ташкинов.
Ученые ПНИПУ разработали метод восстановления статистически эквивалентной 3D-модели пористой микроструктуры по 2D-изображению с помощью нейронной сети. В отличие от более ранних работ предлагаемый алгоритм обучается без использования поэлементных составляющих в целевой функции, подлежащей оптимизации.
«Когда единственным носителем информации для реконструкции 3D-структуры является двумерное изображение поперечного сечения, способ его кодировки (извлечение наиболее важной информации) напрямую влияет на качество генерируемой структуры. Даже небольшой сдвиг изображения значительно увеличивает поэлементную ошибку, что дестабилизирует процесс обучения нейросети. Поэтому мы предложили более абстрактную функцию оптимизации, обладающую уникальными свойствами. Благодаря этому возросла стабильность обучения нейросети и качество генерируемых 3D-структур», — рассказал сотрудник научно-исследовательской лаборатории «Механика биосовместимых материалов и устройств» Евгений Кононов.
Эксперименты показали, что визуальные и количественные оценки реконструированных нейросетью трехмерных моделей полностью соответствуют исходным структурам, а синтез происходит почти мгновенно. Таким образом, предложенный алгоритм позволит ускорить и удешевить процесс исследования гетерогенных материалов без потери в качестве.
Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований и содействии Министерства образования и науки Пермского края. Результаты опубликованы в журнале Computer-Aided Design.
А у вас есть интересные новости? Поделитесь с нами своими разработками, и мы расскажем о них всему миру! Ждем ваши идеи по адресу news@3Dtoday.ru.