| 研究実績の概要 |
様々な敵対的生成ネットワーク(generative adversarial network: GAN)を適用し、材料組織画像のバーチャル生成を行った。訓練画像と似て非なる画像を多量に生成するDCGAN、非ペアの二組の画像の特徴を交換するCycleGAN、低品質画像を高解像度化するSuper Resolution GAN (SRGAN)、数枚の二次元画像から三次元像を生成するSliceGANを鉄鋼材料組織に適用し、超効率的に高品質のバーチャル材料組織を生成することに成功した[1,2,3]。DCGANを利用し、二相組織鋼の多量の画像を生成し、その画像から有限要素法により応力ひずみ曲線を得た。これは材料組織、特性のバーチャルデータ取得が可能ということであり、データサイエンスによる順・逆解析と連携して、完全バーチャル材料設計への道筋を示した。CycleGANを適用し、光学顕微鏡画像を走査型電子顕微鏡画像（逆も可能）に変換した。SRGANを適用し、「リンゴ」で訓練した低品質画像からの高品質画像への変換モデルを使って、低解像度の光学顕微鏡画像を超解像度化した。SliceGANを適用し、原著のモデルを使って、等方性、異方性のある二相組織鋼の一枚、三枚の二値化処理した二次元画像から高品質の三次元像を生成した。更に、っ献茶二峰性を有する積層造形ステンレス鋼の三枚のグレースケール組織画像から、高品質の三次元像を生成する改良モデルを構築した。[1] R. Narikawa, et al., Adv. Theory Simul. 2022, 2100470. [2] K. Sugiura, et al., Adv. Theory Simul. 2022, 2200132. [3] K. Sugiura, et al., Journal of Imaging, in press.
|
| 今後の研究の推進方策 |
材料工学は、プロセスー材料組織―特性を関連させる学問であるが、GAN-有限要素法によるデータ生成では組織、特性データのバーチャル取得はできるが、プロセスとの紐づけが不十分である。そこで、今年度は条件つき敵対的生成ネットワーク(conditional GAN : CGAN)を使って、プロセス条件を付けたうえでバーチャル材料組織像を生成する事に取り組む。また、材料組織に求められるレベルのCGANの高解像度化モデルの構築にも取り組みたい。そして、プロセス、組織、特性の完全バーチャルデータを、これまで構築してきた「統合型材料設計システム」shinyMIPHA [1]およびMIPHA [2]を使って、順・逆解析を行い、最適なプロセス条件の超効率的な提示を行えるように取り組む。
[1] Z. L. Wang, T. Ogawa, Y. Adachi: Advanced Theory and Simulations, (2019) 1900177.
[2] Z.-L. Wang, Y. Adachi: Material Science and Engineering A, 744 (2019) 661.
|
