Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-504261

Advanced Deep Learning-Based 3D Microstructural Characterization of Multiphase Metal Matrix Composites

  • The quantitative analysis of microstructural features is a key to understanding the micromechanical behavior of metal matrix composites (MMCs), which is a premise for their use in practice. Herein, a 3D microstructural characterization of a five-phase MMC is performed by synchrotron X-ray computed tomography (SXCT). A workflow for advanced deep learning-based segmentation of all individual phases in SXCT data is shown using a fully convolutional neural network with U-net architecture. High segmentation accuracy is achieved with a small amount of training data. This enables extracting unprecedently precise microstructural parameters (e.g., volume fractions and particle shapes) to be input, e.g., in micromechanical models.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Sergei EvsevleevORCiD, S. Paciornik, Giovanni BrunoORCiD
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Advanced Engineering Materials
Jahr der Erstveröffentlichung:2020
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:WILEY-VCH Verlag GmbH & Co. KGaA
Verlagsort:Weinheim
Jahrgang/Band:22
Ausgabe/Heft:4
Erste Seite:1901197
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Computed tomography; Convolutional neural networks; Deep learning; Metal matrix composites; Segmentations
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
DOI:10.1002/adem.201901197
URN:urn:nbn:de:kobv:b43-504261
ISSN:1438-1656
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:20.02.2020
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:27.02.2020
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.