Автоматизація дослідження характеристик композитних матеріалів на основі нейронних мереж

Abstract

У роботі розглядається застосування глибинних нейронних мереж для автоматизації обробки експериментальних даних композитних матеріалів. Показано, що сучасні методи машинного навчання дозволяють моделювати складні нелінійні залежності та значно підвищувати точність прогнозування властивостей матеріалів . Зокрема, CNN-архітектури можуть прогнозувати локальні поля напруги за мікроструктурними зображеннями зі статистичною кореляцією близько 0.999 апропонований підхід полягає у поєднанні автоматизованої сегментації/класифікації мікроструктур і регресійного прогнозування механічних параметрів (наприклад, модуля Юнга, твердості) на основі вхідних SEM/томографічних знімків. Результати демонструють суттєве прискорення аналізу зведених даних і зниження потреби в трудомістких випробуваннях, що відкриває нові можливості для оптимізації дизайну композитних матеріалів.

This study utilizes deep neural networks and CNNs to automate composite material characterization, achieving high-accuracy property prediction and accelerated material design while significantly reducing experimental costs.