CN115830226A - 多孔介质三维结构的高精度重构方法以及热导率预测方法 - Google Patents
多孔介质三维结构的高精度重构方法以及热导率预测方法 Download PDFInfo
- Publication number
- CN115830226A CN115830226A CN202211452444.XA CN202211452444A CN115830226A CN 115830226 A CN115830226 A CN 115830226A CN 202211452444 A CN202211452444 A CN 202211452444A CN 115830226 A CN115830226 A CN 115830226A
- Authority
- CN
- China
- Prior art keywords
- porous medium
- dimensional
- thermal conductivity
- slice
- pore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及一种多孔介质三维结构高精度重构以及热导率预测方法,该方法包括以下步骤:S1:获取多孔介质的二维FIB‑SEM切片,并通过对灰度数据进行统计分析以及数值化处理获得系列多孔介质的二维二值化切片;S2:利用基于深度学习的图像生成算法对二维二值化切片进行维度扩展和结构重构,获得系列多孔介质细观尺度的三维孔隙结构模型;S3:通过多孔介质的孔隙结构信息数值集合对上述三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的多孔介质三维结构模型;S4:以建立的细观尺度的三维多孔介质结构为框架,计算其对应孔隙参数以及物性参数,并对热导率进行回归分析。本发明的技术方案,可以实现对多孔介质三维结构的精确重构及热导率准确预测。
Description
技术领域
本发明涉及结构重建及性能预测技术领域,具体涉及一种多孔介质三维结构的高精度重构方法以及热导率预测方法。
背景技术
随着目前工业水平的不断发展,多孔介质由于其优异的机械性能与物化性质,在各领域的应用水平不断上升,例如在化学化工领域被广泛应用于催化剂颗粒载体、在材料科学领域被广泛用于材料基体相以提高材料的力学、热学性能等。多孔介质的宏观性能和行为,例如应力与应变之间的本构关系、热导率等一系列热学性质以及材料在高温下的强度、防隔热性能等虽然和材料本身所采用的化学物质有密不可分的对应关系,但更多的,很大程度上取决于材料微观的结构与分布,不同的制造工艺和条件又影响所得材料的微观结构。特别地,复合材料性能的优劣不仅受到来自材料基质相与界面性质的影响,还受到增强相的组成(体积分数)、细观尺寸、空间分布以及微观形貌等因素的影响。传统的材料表征技术得到的二维图像由于是三维材料的投影,而不能完全得到材料的三维结构信息。
因此,对材料微观三维结构进行定量分析,实现材料结构的三维可视化得到材料孔隙结构、增强相含量与分布、基体界面特性等与宏观力学性质(如高温强度、剪切模量)等与热学性质(如热导率、密度等)之间的关系,进行实验对比验证并反馈地对实验设计提供理论指导,进一步地,为复合材料结构及性质预测提供理论基础。
利用实验测量和形态学评估中提取的统计信息可用于量化微观结构的属性,在此基础上通过组合由FIB-SEM、X射线计算机断层扫描(X-CT)以及其他成像方式获得的数字化连续切片图像能够实现多孔介质的直接重建。显而易见,这种多孔结构图像的直接重建技术虽然能够真实地重建样本在三维空间的结构,但是不可避免地带来费用昂贵、分辨率不足、缺乏熟练的操作员和许多其他技术问题,使得其不太适合常规工程应用,因而研发可靠的替代计算方法显得尤为重要。目前,利用有限的统计信息进行微观结构重建是近年来材料研究领域的一个热点问题,成功的数字化重建方法可以为具有复杂内部微观结构的非均匀多孔介质的宏观性能评估提供无损、低成本的手段。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷中的至少一个而提供一种基于机器学习中深度学习领域图像处理生成理论的多孔介质三维结构的高精度重构方法以及热导率预测方法。
本发明的目的可以通过以下技术方案来实现:
一种多孔介质三维结构的高精度重构方法,该方法包括以下步骤:
S1、获取多孔介质的二维FIB-SEM切片,并对二维切片进行滤波降噪和阈值分割处理,同时通过对灰度数据进行统计分析以及数值化获取图像分割依据,获得系列多孔介质的二维二值化切片;
S2、利用基于深度学习的图像生成算法对二维二值化切片进行维度扩展和结构重构,获得任意尺度的系列多孔介质细观尺度的三维孔隙结构模型;
S3、通过多孔介质的孔隙结构信息数值集合对上述三维孔隙结构模型进行结构参数标定以及精确性验证,获得精确的多孔介质三维结构模型。
进一步地,步骤S1的具体步骤包括:
(1)将多孔介质材料加工成块体,用于FIB-SEM的测试;
(2)利用FIB-SEM技术对多孔介质材料进行切片并扫描,获得多孔介质材料的切片图像;
(3)基于Python编程语言结合统计分析优化方法对多孔介质材料的灰度切片图像进行统计分析以及数值化处理,识别出多孔介质材料的系列孔隙分布,获得对应的多孔介质二维二值化切片。
进一步地,所述切片图像的数量为400-1200张,分辨率为4-10nm。
进一步地,所述二值化切片的图像数量为3-27张,图像分辨率为4-10nm。
进一步地,步骤S2的具体步骤包括:
(1)基于Python编程语言结合深度学习算法对二值化切片图像进行维度扩充,实现从二维切片到三维结构的维度转化;
(2)利用深度学习算法对生成的三维结构的尺寸大小进行调控,建立任意大小的多孔介质三维孔隙分布结构。
进一步地,所述多孔介质三维孔隙分布结构的模型分辨率为4nm,所述多孔介质三维孔隙分布结构的模型数量为100-1000。
进一步地,所述多孔介质三维孔隙分布结构的模型体素尺寸大小为128×128×128-1000×1000×1000voxels;所述多孔介质三维孔隙分布结构的模型实际尺寸大小为512×512×512-4000×4000×4000nm3。
进一步地,步骤S3的具体步骤包括:
(1)基于Python编程语言将多孔介质的微观形貌、结构特征信息映射到重建算法,精确建立多孔介质的三维形貌、结构信息数值集合;
(2)利用多孔介质的三维形貌、结构信息数值集合对重构后的三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的多孔介质三维结构模型。
一种多孔介质三维结构的热导率预测方法,该方法包括以下步骤:以如上建立的细观尺度的三维多孔介质结构模型为框架,计算对应孔隙参数以及物性参数,并对热导率进行回归分析,实现多孔介质的三维结构高精度重构以及热导率准确预测。
进一步地,预测方法的具体步骤包括:
(1)以建立的细观尺度的三维多孔介质结构为框架,利用Python编程语言计算其对应孔隙参数以及物性参数,精确建立多孔介质的结构信息、物性信息数值集合;
(2)以多孔介质的结构信息、物性信息数值集合为基础对热导率进行回归分析,从而实现多孔介质的热导率准确预测。
与现有技术相比,本发明通过对二维FIB-SEM切片的滤波降噪和阈值分割处理,并对灰度数据进行统计分析以及数值化获取图像分割依据,可以精确获得系列多孔介质的二维二值化切片。对二值化切片图像进行维度扩充,实现从二维切片到三维结构的维度转化,并对生成的三维结构的尺寸大小进行调控,建立任意大小的多孔介质三维孔隙分布结构。以建立的细观尺度的三维多孔介质结构为框架,计算其对应孔隙参数以及物性参数,精确建立多孔介质的结构信息、物性信息数值集合。以多孔介质的结构信息、物性信息数值集合为基础对热导率进行回归分析,以实现多孔介质的热导率准确预测。
附图说明
图1为实施例中酚醛气凝胶材料的微观结构;
图2为本发明的实施流程图;
图3为实施例中得到的酚醛气凝胶材料二维FIB-SEM切片;
图4为实施例中得到的酚醛气凝胶材料二维二值化切片;
图5为实施例中重构出的不同尺寸大小的酚醛气凝胶材料结构三维重构图;
图6为实施例中重构出的精确的酚醛气凝胶材料结构三维重构图;
图7为实施例中酚醛气凝胶材料热导率实验值和预测值对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种多孔介质三维结构的高精度重构以及热导率预测方法,该方法包括以下步骤:
S1:获取多孔介质的二维FIB-SEM切片,并对二维切片进行滤波降噪和阈值分割处理,同时通过对灰度数据进行统计分析以及数值化获取图像分割依据,获得系列多孔介质的二维二值化切片;具体步骤包括:
(1)将多孔介质材料加工成块体,用于FIB-SEM的测试;
(2)利用FIB-SEM技术对多孔介质材料进行切片并扫描,获得多孔介质材料的切片图像;切片图像的数量为400-1200张。切片图像的分辨率为4-10nm。
(3)基于Python编程语言结合统计分析优化方法对多孔介质材料的灰度切片图像进行统计分析以及数值化处理,识别出多孔介质材料的系列孔隙分布,获得对应的多孔介质二维二值化切片。二值化切片图像的数量为3-27张。二值化切片图像的分辨率为4-10nm。
S2:利用基于深度学习的图像生成算法对二维二值化切片进行维度扩展和结构重构,获得任意尺度的系列多孔介质细观尺度的三维孔隙结构模型;具体步骤包括:
(1)基于Python编程语言结合深度学习算法对二值化切片图像进行维度扩充,实现从二维切片到三维结构的维度转化;
(2)利用深度学习算法对生成的三维结构的尺寸大小进行调控,建立任意大小的多孔介质三维孔隙分布结构。多孔介质三维模型的分辨率为4nm。多孔介质三维孔隙结构模型的体素尺寸大小为128×128×128-1000×1000×1000voxels。多孔介质三维孔隙结构模型的实际尺寸大小为512×512×512-4000×4000×4000nm3。多孔介质三维孔隙结构模型的数量为100-1000。
S3:通过多孔介质的孔隙结构信息数值集合对上述三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的多孔介质三维结构模型;具体步骤包括:
(1)基于Python编程语言将多孔介质的微观形貌、结构特征信息映射到重建算法,精确建立多孔介质的三维形貌、结构信息数值集合;
(2)利用多孔介质的三维形貌、结构信息数值集合对重构后的三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的多孔介质三维结构模型。
S4:以建立的细观尺度的三维多孔介质结构为框架,计算其对应孔隙参数以及物性参数,并对热导率进行回归分析,从而实现多孔介质的三维结构高精度重构以及热导率准确预测。具体步骤包括:
(1)以建立的细观尺度的三维多孔介质结构为框架,利用Python编程语言计算其对应孔隙参数以及物性参数,精确建立多孔介质的结构信息、物性信息数值集合;
(2)以多孔介质的结构信息、物性信息数值集合为基础对热导率进行回归分析,从而实现多孔介质的热导率准确预测。
实施例
一种多孔介质三维结构的高精度重构以及热导率预测方法,以酚醛气凝胶材料这类多孔介质,如图1,为例进行三维结构的高精度重构以及热导率预测,其中,酚醛气凝胶制备时,前驱体酚醛溶液中酚醛的分子量约为1000,溶液中溶质质量百分比为30%,如图2,步骤如下所示:
步骤1:将酚醛气凝胶材料加工成尺寸为2mm×2mm×2mm的块体,用于FIB-SEM的测试;
步骤2:利用FIB-SEM技术对气凝胶材料进行扫描切片,共获得750张图像分辨率为4nm的酚醛气凝胶材料的二维FIB-SEM切片,如图3;
步骤3:基于Python编程语言对二维切片进行滤波降噪和阈值分割处理,同时结合统计分析优化方法对灰度切片图像进行统计分析以及数值化处理,识别出酚醛气凝胶材料的系列孔隙分布,获得孔隙结构的二值化切片,如图4;
步骤4:基于Python编程语言结合深度学习算法对二值化切片图像进行维度扩充,实现从二维切片到三维结构的维度转化;
步骤5:利用深度学习算法对生成的三维结构的尺寸大小进行调控,建立任意大小的酚醛气凝胶材料三维孔隙分布结构,如图5;
步骤6:基于Python编程语言将酚醛气凝胶材料的微观形貌、结构特征信息映射到重建算法,精确建立酚醛气凝胶材料的三维形貌、结构信息数值集合;
步骤7:利用酚醛气凝胶材料的三维形貌、结构信息数值集合对重构后的三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的酚醛气凝胶材料三维结构模型,如图6;
步骤8:以建立的细观尺度的酚醛气凝胶材料三维结构为框架,利用Python编程语言计算物性参数,比如热导率等,精确建立酚醛气凝胶材料的物性信息数值集合;
步骤9:根据步骤6获得的酚醛气凝胶材料的结构信息以及步骤8获得的物性信息数值集合为基础对热导率进行回归分析,从而实现酚醛气凝胶材料的热导率准确预测,如图7。
其中,酚醛气凝胶材料的物性参数,比如热导率等,采用以下方法计算:
1、酚醛气凝胶材料三维结构生成:利用步骤5对生成的三维结构进行尺寸调控,建立任意大小的酚醛气凝胶材料三维结构,结构数量为100-1000。
2、三维结构轴向热导率计算:将生成的系列酚醛气凝胶材料的二值化三维结构作为输入数据,根据三维结构中孔隙相和固体相赋予对应的热导率。基于傅里叶传热定律和有限体积法(FVM)并结合Python编程语言对传热稳态温度场进行模拟计算,得到材料的等效热导率。系列三维结构的热导率为0.0241-0.1930W·m-1·K-1。
3、三维结构的微观形貌、结构特征信息获取:基于生成的系列酚醛气凝胶材料的二值化三维结构,利用Python编程手段计算相应的微观形貌、结构特征参数,如孔隙率、曲折因子、等效直径等,形成三维结构的形貌、结构信息数值集合,数据库含有700-1000组三维结构的形貌、结构信息。
4、任意三维结构热导率预测:基于上述获得的系列三维结构的热导率以及形貌、结构信息数值集合,利用非线性回归分析的机器学习方法将热导率与形貌、结构参数联系起来,获得的回归方程能够精准预测系列酚醛气凝胶材料的热导率,回归精度RMSE为0.000276,回归时间小于1s。
综上可知,针对单一轴向的热导率计算,本发明的回归预测方法与现有的常规热导率检测手段,如实验:平板热流法(30-60min)或者模拟分析:有限元分析(0.5-5h)等相比,在保持高精度的预测准确率(>99%)的前提下,具有更高的预测效率(<1s)。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种多孔介质三维结构的高精度重构方法,其特征在于,该方法包括以下步骤:
S1、获取多孔介质的二维FIB-SEM切片,并对二维切片进行滤波降噪和阈值分割处理,同时通过对灰度数据进行统计分析以及数值化获取图像分割依据,获得系列多孔介质的二维二值化切片;
S2、利用基于深度学习的图像生成算法对二维二值化切片进行维度扩展和结构重构,获得任意尺度的系列多孔介质细观尺度的三维孔隙结构模型;
S3、通过多孔介质的孔隙结构信息数值集合对上述三维孔隙结构模型进行结构参数标定以及精确性验证,获得精确的多孔介质三维结构模型。
2.根据权利要求1所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,步骤S1的具体步骤包括:
(1)将多孔介质材料加工成块体,用于FIB-SEM的测试;
(2)利用FIB-SEM技术对多孔介质材料进行切片并扫描,获得多孔介质材料的切片图像;
(3)基于Python编程语言结合统计分析优化方法对多孔介质材料的灰度切片图像进行统计分析以及数值化处理,识别出多孔介质材料的系列孔隙分布,获得对应的多孔介质二维二值化切片。
3.根据权利要求2所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,所述切片图像的数量为400-1200张,分辨率为4-10nm。
4.根据权利要求2所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,所述二值化切片的图像数量为3-27张,图像分辨率为4-10nm。
5.根据权利要求1所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,步骤S2的具体步骤包括:
(1)基于Python编程语言结合深度学习算法对二值化切片图像进行维度扩充,实现从二维切片到三维结构的维度转化;
(2)利用深度学习算法对生成的三维结构的尺寸大小进行调控,建立任意大小的多孔介质三维孔隙分布结构。
6.根据权利要求5所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,所述多孔介质三维孔隙分布结构的模型分辨率为4nm,所述多孔介质三维孔隙分布结构的模型数量为100-1000。
7.根据权利要求5所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,所述多孔介质三维孔隙分布结构的模型体素尺寸大小为128×128×128-1000×1000×1000voxels;所述多孔介质三维孔隙分布结构的模型实际尺寸大小为512×512×512-4000×4000×4000nm3。
8.根据权利要求1所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,步骤S3的具体步骤包括:
(1)基于Python编程语言将多孔介质的微观形貌、结构特征信息映射到重建算法,精确建立多孔介质的三维形貌、结构信息数值集合;
(2)利用多孔介质的三维形貌、结构信息数值集合对重构后的三维孔隙结构模型进行结构参数标定以及精确性验证获得精确的多孔介质三维结构模型。
9.一种多孔介质三维结构的热导率预测方法,其特征在于,该方法包括以下步骤:以权利要求1-8任一项建立的细观尺度的三维多孔介质结构模型为框架,计算对应孔隙参数以及物性参数,并对热导率进行回归分析,实现多孔介质的三维结构高精度重构以及热导率准确预测。
10.根据权利要求9所述的一种多孔介质三维结构的高精度重构以及热导率预测方法,其特征在于,预测方法的具体步骤包括:
(1)以建立的细观尺度的三维多孔介质结构为框架,利用Python编程语言计算其对应孔隙参数以及物性参数,精确建立多孔介质的结构信息、物性信息数值集合;
(2)以多孔介质的结构信息、物性信息数值集合为基础对热导率进行回归分析,从而实现多孔介质的热导率准确预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452444.XA CN115830226A (zh) | 2022-11-21 | 2022-11-21 | 多孔介质三维结构的高精度重构方法以及热导率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452444.XA CN115830226A (zh) | 2022-11-21 | 2022-11-21 | 多孔介质三维结构的高精度重构方法以及热导率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830226A true CN115830226A (zh) | 2023-03-21 |
Family
ID=85529473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211452444.XA Pending CN115830226A (zh) | 2022-11-21 | 2022-11-21 | 多孔介质三维结构的高精度重构方法以及热导率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830226A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882255A (zh) * | 2023-06-02 | 2023-10-13 | 哈尔滨工业大学 | 一种基于傅里叶级数随机生成多孔介质模型的方法及系统 |
-
2022
- 2022-11-21 CN CN202211452444.XA patent/CN115830226A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882255A (zh) * | 2023-06-02 | 2023-10-13 | 哈尔滨工业大学 | 一种基于傅里叶级数随机生成多孔介质模型的方法及系统 |
CN116882255B (zh) * | 2023-06-02 | 2024-04-19 | 哈尔滨工业大学 | 一种基于傅里叶级数随机生成多孔介质模型的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chung et al. | Overview of the use of micro-computed tomography (micro-CT) to investigate the relation between the material characteristics and properties of cement-based materials | |
Maire et al. | Quantitative X-ray tomography | |
Wijaya et al. | An automatic methodology to CT-scans of 2D woven textile fabrics to structured finite element and voxel meshes | |
Li et al. | In situ quality inspection with layer-wise visual images based on deep transfer learning during selective laser melting | |
CN110797096B (zh) | 一种基于深度学习的耐热合金高温力学性能预测方法 | |
CN115830226A (zh) | 多孔介质三维结构的高精度重构方法以及热导率预测方法 | |
Minfei et al. | Microstructure-informed deep convolutional neural network for predicting short-term creep modulus of cement paste | |
Ziabari et al. | Enabling rapid X-ray CT characterisation for additive manufacturing using CAD models and deep learning-based reconstruction | |
Jung et al. | Estimation of relative transport properties in porous transport layers using pore-scale and pore-network simulations | |
Evans et al. | A review of image-based simulation applications in high-value manufacturing | |
Wang et al. | 3D characterizations of pores and damages in C/SiC composites by using X-ray computed tomography | |
Kim et al. | Comparison of microstructure characterization methods by two-point correlation functions and reconstruction of 3D microstructures using 2D TEM images with high degree of phase clustering | |
Massaro et al. | Infrared Thermography and Image Processing applied on Weldings Quality Monitoring | |
Englert et al. | Investigations on printing path dependent properties of additively manufactured samples using micro computed tomography | |
Yang et al. | Micro-CT Based Statistical Geometry Modeling and Numerical Verification of 2.5 D Sic f/Sic Composite | |
Bevans et al. | Heterogeneous sensor data fusion for multiscale, shape agnostic flaw detection in laser powder bed fusion additive manufacturing | |
CN108446414B (zh) | 一种由3d打印多孔结构随机缺陷的逆向预测方法 | |
Nagaraja et al. | Effect of chemical vapor infiltration induced matrix porosity on the mechanical behavior of ceramic matrix minicomposites | |
Szabo et al. | Automated defect recognition as a critical element of a three dimensional x-ray computed tomography imaging-based smart non-destructive testing technique in additive manufacturing of near net-shape parts | |
Srivastava et al. | Three-dimensional analysis of porosity in as-manufactured glass fiber/vinyl ester filament winded composites using X-ray micro-computed tomography | |
Chen et al. | Image processing and machine learning methods applied to additive manufactured composites for defect detection and toolpath reconstruction | |
Lim et al. | Microstructure design of multifunctional particulate composite materials using conditional diffusion models | |
Lee et al. | A data-driven framework for designing microstructure of multifunctional composites with deep-learned diffusion-based generative models | |
Berre et al. | Microstructural modelling of nuclear graphite using multi-phase models | |
Li et al. | Microstructural quantification and property prediction using limited X-ray tomography data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |