nach oben

Erschienen in:

2025 | OriginalPaper | Buchkapitel

Establishing Process-Structure Linkages Using Generative Adversarial Networks

verfasst von : Mohammad Safiuddin, CH. Likith Reddy, Ganesh Vasantada, C. H. J. N. S. Harsha, S. Gangolu

Erschienen in: Advances in Structural Integrity for Mechanical, Civil, and Aerospace Applications

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The microstructure of material strongly influences its mechanical properties and the microstructure itself is influenced by the processing conditions. Thus, establishing a Process-Structure-Property relationship is a crucial task in material design and is of interest in many engineering applications. We develop a GAN (Generative Adversarial Network) to synthesize microstructures based on given processing conditions. This approach is devoid of feature engineering, needs little domain awareness, and can be applied to a wide variety of material systems. Results show that our GAN model can produce high-fidelity multiphase microstructures that have a good correlation with the given processing conditions.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Strength and Deformation Assessment of a Tall RC-MRF Designed by Force-Based Design Method and Performance-Based Plastic Design Method

Nächstes Kapitel An Integrated Approach for Damage Detection, Localization and Quantification in Beam Like Structure Using Vibration Measurements

Nur mit Berechtigung zugänglich

www.kaggle.com.

Olson GB (1997) Computational design of hierarchically structured materials. Science 277(5330):1237–1242. arXiv:https://science.sciencemag.org/content/277/5330/1237.full.pdf. https://doi.org/10.1126/science.277.5330.1237. https://science.sciencemag.org/content/277/5330/1237

Fullwood DT, Niezgoda SR, Adams BL, Kalidindi SR (2010) Microstructure sensitive design for performance optimization. Progr Mater Sci 55(6):477–562 https://doi.org/10.1016/j.pmatsci.2009.08.002. https://www.sciencedirect.com/science/article/pii/S0079642509000760

Cecen A, Dai H, Yabansu YC, Kalidindi SR, Song L (2018) Material structure-property linkages using three-dimensional convolutional neural networks. Acta Materialia 146:76–84. https://doi.org/10.1016/j.actamat.2017.11.053CrossRef

Cang R, Li H, Yao H, Jiao Y, Ren Y (2018) Improving direct physical properties prediction of heterogeneous materials from imaging data via convolutional neural network and a morphology-aware generative model. Comput Mater Sci 150:212–221. https://doi.org/10.1016/j.commatsci.2018.03.074. https://www.sciencedirect.com/science/article/pii/S0927025618302337

Yang Z, Li X, Catherine Brinson L, Choudhary AN, Chen W, Agrawal A. Microstructural materials design via deep adversarial learning methodology. J Mech Des 140(11). https://doi.org/10.1115/1.4041371

Kingma DP, Welling M. An introduction to variational autoencoders. CoRR abs/1906.02691. arXiv:1906.02691

Goodfellow IJ, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, Courville A, Bengio Y. Generative adversarial networks, NIPS’14: proceedings of the 27th international conference on neural information processing systems, vol 2. arXiv:1406.2661

DeCost B, Hecht M, Francis T, Webler B, Picard Y, Holm E (2017) Uhcsdb: ultrahigh carbon steel micrograph database: tools for exploring large heterogeneous microstructure datasets. In: Integrating materials and manufacturing innovation, vol 6. https://doi.org/10.1007/s40192-017-0097-0

DeCost B, Francis T, Holm E (2017) Exploring the microstructure manifold: image texture representations applied to ultrahigh carbon steel microstructures. Acta Materialia 133. https://doi.org/10.1016/j.actamat.2017.05.014

10.

Zhao S, Liu Z, Lin J, Zhu J, Han S (2020) Differentiable augmentation for data-efficient GAN training. CoRR abs/2006.10738. arXiv:2006.10738

11.

Mirza M, Osindero S (2014) Conditional generative adversarial nets. CoRR abs/1411.1784. arXiv:1411.1784

12.

Brock A, Donahue J, Simonyan K (2018) Large scale GAN training for high fidelity natural image synthesis. CoRR abs/1809.11096. arXiv:1809.11096

13.

Zhou P, Xie L, Ni B, Tian Q (2021) Omni-gan: on the secrets of cgans and beyond. CoRR abs/2011.13074. arXiv:2011.13074

14.

Kingma D, Ba J (2015) Adam: a method for stochastic optimization. In: International conference on learning representations. arXiv:1412.6980

15.

Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, Desmaison A, Kopf A, Yang E, DeVito Z, Raison M, Tejani A, Chilamkurthy S, Steiner B, Fang L, Bai J, Chintala S (2019) Pytorch: an imperative style, high-performance deep learning library, pp 8024–8035. arXiv:1912.01703

16.

Salimans T, Goodfellow IJ, Zaremba W, Cheung V, Radford A, Chen X (2016) Improved techniques for training gans. CoRR abs/1606.03498. arXiv:1606.03498

17.

Hecht MD (2017) Effects of heat treatments and compositional modification on carbide network and matrix microstructure in ultrahigh carbon steels. https://doi.org/10.1184/R1/6716156.v1.https://kilthub.cmu.edu/articles/thesis/Effects_of_Heat_Treatments_and_Compositional_Modification_on_Carbide_Network_and_Matrix_Microstructure_in_Ultrahigh_Carbon_Steels/6716156

18.

Azimi SM, Britz D, Engstler M, Fritz M, Mücklich F (2018) Advanced steel microstructural classification by deep learning methods. https://doi.org/10.1038/s41598-018-20037-5

Titel: Establishing Process-Structure Linkages Using Generative Adversarial Networks
verfasst von: Mohammad Safiuddin
CH. Likith Reddy
Ganesh Vasantada
C. H. J. N. S. Harsha
S. Gangolu
Verlag: Springer Nature Singapore
Buch: Advances in Structural Integrity for Mechanical, Civil, and Aerospace Applications
Print ISBN: 978-981-9763-66-5

Electronic ISBN: 978-981-9763-67-2

Copyright-Jahr: 2025
DOI: https://doi.org/10.1007/978-981-97-6367-2_39

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"