Автор: 
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» трёхмерных экспериментальных образцов требуют серьёзных временных и экономических затрат. Учёные Пермского Политеха разработали алгоритм обучения нейросети, позволяющий с высокой скоростью реконструировать качественную 3D-структуру материала по изображению его поперечного среза. Результаты исследования опубликованы в журнале Computer-Aided Design.
В современном мире практически повсеместно используются так называемые гетерогенные материалы. К природным примерам можно отнести, например, всем известный гранит, который состоит из трёх минералов: кварца, слюды и полевого шпата. В сложных инженерных приложениях применяются искусственно получаемые композиты. Возможность комбинировать свойства исходных компонент определяет возможность использования таких материалов в конкретном применении. Чтобы изучить микроструктуру материала и оценить его 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 объёмов 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», — рассказывает доцент кафедры динамики и прочности машин, кандидат физико-математических наук Михаил Ташкинов.
Учёные Пермского Политеха 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. Эксперименты показали, что визуальные и количественные оценки реконструированных нейросетью трёхмерных 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.
«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», — рассказывает студент 1-го курса магистратуры Евгений Кононов.
