기계 학습을 토토 배팅 사이트한 금속 손상 패턴 추정

Miyazawa Yuto, Chiba Ryosuke, Ota Yutaro

PDF 다운로드

Miyazawa Yuto: 재료 및 구조 엔지니어링 부서, 기술 플랫폼 센터, 기업 연구 및 개발 부서
Chiba Ryosuke: 재료 및 구조 엔지니어링 부서, 기술 플랫폼 센터, 기업 연구 및 개발 부서
Ota Yutaro: 로켓 개발부, 에어로 엔진, 우주 및 방어 비즈니스 지역

구조 재료는 토토 배팅 사이트 중에 다양한 유형의 손상이 발생하여 탐지 및 고장으로 이어질 수 있습니다. 실패 또는 재발을 방지하려면 손상의 원인을 식별해야합니다. 그러나 기존의 손상 조사에서 추정은 주로 평가의 지식과 경험에 기초하여 주관적이고 불안정한 결과를 초래합니다. 손상된 재료의 미세 구조 이미지에 기계 학습 이미지 분류 방법을 토토 배팅 사이트하여 지식이나 경험에 의존하지 않는 일반적인 추정을 할 것으로 예상됩니다. 이 논문은 기계 학습 모델의 예측 결과를 제시하며, 이는 세 가지 유형의 손상된 재료 (크리프, 크리프-경포, 피로)의 EBSD (전자 후방 산란 회절) 이미지를 토토 배팅 사이트하여 89 %였다. 이 결과는이 방법을 통해 손상 패턴을 정확하게 추정 할 수있는 가능성을 보여줍니다.

1. 소개

구조 재료는 서비스 온도 및 하중 조건에 따라 다양한 유형의 손상을 겪으므로 결정 및 고장으로 이어질 수 있습니다. 특히, 실제 환경의 손상은 종종 온도, 평균 응력 및 하중 증폭기와 같은 여러 요인의 결합 효과로 인해 발생하기 때문에 복잡합니다. 유지 보수 및 손상 조사 중 재료 상태를 분석하여 구조적 부재 고장과 재발을 방지하기 위해 손상의 원인을 명확히해야합니다. 일반적으로 금속 재료의 손상의 원인은 골절 표면과 미세 구조 관찰을 통해 상태를 식별함으로써 Evaluate의 통찰력을 기반으로 추정됩니다. 따라서 이러한 추정은 주관적이고 불안정한 결과로 이어집니다.

기계 학습을 토토 배팅 사이트한 이미지 분류 방법은이 문제를 효과적으로 해결할 것으로 예상됩니다. 평가의 지식과 경험에 신뢰할 수없는 일반화 된 손상 원인 추정치는 손상 재료의 미세 구조의 이미지를 각각의 손상 패턴과 연결하고 기계 학습을 적용하는 데이터 세트를 만들어 달성 할 수있을 것으로 예상됩니다.

다양한 유형의 광학 및 전자 현미경을 토토 배팅 사이트하여 재료의 미세 구조를 평가합니다. 그 중에서, EBSD (전자 후방 산란 회절) 분석은 국소 결정 오해에 대한 정보에 기초하여 정량적으로 분석 된 미세 구조를위한 방법이다. 변형률과 EBSD 매개 변수 (1), (2) 사이의 상관 관계에 대한 많은 보고서가 있지만, 이들 EBSD 매개 변수는 시각 필드에서 평균 값을 토토 배팅 사이트하여 평가에만 적용됩니다. 변형률이 동등한 경우 EBSD 매개 변수의 평균 값에 따라 손상 패턴을 결정하기가 어렵습니다. 또한, 재료에서 EBSD 매개 변수의 분포를 평가하고 손상 패턴과 상관시키는 것과 같은 프로세스가 없다.

이 논문은 기계 학습을 토토 배팅 사이트하여 이미지 분류 방법을 EBSD 이미지에 적용하여 EBSD 매개 변수의 분포 정보를 기반으로 손상 패턴을 추정하기위한 모델의 생성을보고합니다. 이 연구에서 우리는 또한 이미지에서 어떤 기능이 기계 학습 모델에 중점을 둔 기능을 분석하여 손상 메커니즘을 명확하게하는 데 도움이됩니다.

2. 테스트 및 분석 방법

2.1 데이터 세트 생성

2.1.1 재료

이 연구에서, Ti-6AL-4V 합금 시편은 실온에서 3 가지 유형의 손상 (크리프, 크리프-피로 및 피로)을 ​​받았다. 스테인레스 스틸과 니켈 기반 합금의 LCF (낮은 사이클 피로) 수명은 고온에서 스트레스 하에서 감지하는 경향이 있습니다⁽³⁾. 이 현상은 고온에서 발생하는 크리프에 의해 야기되고 크리프 경포라고합니다. 또한 TI 합금의 크리프 설명도 실온에서보고되었습니다.⁽⁴⁾. 따라서 TI 합금의 피로 수명은 실온에서도 스트레스가 감지됩니다.⁽⁵⁾. 실온에서 스트레스를받는이 피로는 차가운 주거 피로로 알려져 있습니다.

이 연구에서 일정한 하중 크리프 테스트는 876 MPa의 초기 응력으로 수행되었습니다. 피로 검사 조건은 최대 응력 876 MPa, 응력 비율 r = 0, 2 초의 하중 및 언로드 시간이었습니다. 크리프-경포 테스트에서 피로 테스트의 최대 응력에서 120 초의 스트레스가 포함되었습니다. 이 테스트는 같은 양의 변형을 유지하기 위해 변형이 4 %에 도달했을 때 중단되었습니다. 테스트 종료 후 시험 시편의 신장으로 얻은 평균 변형률은 크리프 테스트에서 4.43 %, 크리프-경포 테스트에서 4.13 %, 피로 테스트에서 4.29 %였습니다.

2.1.2 EBSD 이미지 획득

하중 방향에 평행 한 단면의 EBSD 이미지는 400 배의 관측 확대를 갖는 6 개의 시각 필드에서 각 시편으로부터 획득되었다. 측정 범위는 200 × 200 μm였다. 단계 크기 (픽셀 크기)는 0.25 μm입니다. 픽셀 모양은 일반 육각형이었다. 이러한 방식으로 획득 한 EBSD 이미지에 오해 분석이 적용되었습니다. TI-6AL-4V 합금은 α 및 β 상으로 구성된 2 상 구조를 가지고 있지만,이 연구에서는 α 상만 EBSD 분석에 토토 배팅 사이트되었다. 이는 변형이 주로 α 단계에 의해 야기되기 때문에, 낮은 관측 배율이 광범위한 데이터를 획득하도록 설정 되었기 때문에 EBSD 이미지에서 입자 경계에서 β 상을 감지하기가 어렵 기 때문입니다.

EBSD 오해 분석에서, 결정 입자 경계는 각각의 픽셀에 대한 결정 방향 정보에 기초하여 먼저 정의된다. 그런 다음 각 픽셀의 오해는 다양한 지수를 토토 배팅 사이트하여 계산됩니다. GROD (곡물 참조 방향 편차) 및 KAM (커널 평균 오해) 오해 분석 지수 가이 연구에서 토토 배팅 사이트되었습니다. GROD는 각 결정 곡물의 평균 방향을 참조하여 곡물의 변형 구배를 나타내는 색인입니다. 이 지수는 식 (1)으로 계산됩니다.

여기, θ_i각 결정 곡물에서 i 픽셀의 방향 인 반면 θ_ave는 평균 방향으로, 참조 역할을합니다. 반면 KAM은 주변 픽셀과 관련하여 평균 오해를 나타내는 색인입니다. 이 지수는 식 (2)로 계산됩니다.

여기, α_i대상 픽셀과 인접한 픽셀 사이의 오해는 오해입니다. 즉, KAM은 육각형 픽셀과 6 개의 인접한 픽셀 사이의 평균 오해입니다.

이 연구에서 위의 두 가지 분석 방법 외에도 KAM의 적용된 분석 방법 인 입자 경계 KAM 및 intragrathular kam을 토토 배팅 사이트했습니다. 입자 경계 KAM은 일반 KAM에서 입자 경계 주위의 측정 지점을 추출하여 얻습니다. 곡물 경계 KAM은 입자 경계의 오해에 중점을 둘 때 토토 배팅 사이트됩니다. 반면, intragratheral kam은 입자 경계 주변의 측정 지점을 추출하여 얻습니다. 혈관 내 KAM은 곡물의 오해에 초점을 맞출 때 토토 배팅 사이트됩니다. 이 연구에서, 입자 경계의 5 픽셀 이내의 영역은 입자 경계 주위에 정의됩니다. 따라서, 입자 경계 주변의 2.5 μm 너비 면적 (10 픽셀에 해당)의 측정 지점은 입자 경계 KAM에 토토 배팅 사이트되었으며 나머지 측정 지점은 쇄골에 토토 배팅 사이트되었습니다.

우리는 800 (너비) × 799 (높이) 픽셀의 그레이 스케일 이미지로 위에서 언급 한 방식으로 획득 한 EBSD 이미지를 출력합니다. 그림 1은 전형적인 시각장을 보여줍니다. 각 이미지에서 더 밝은 픽셀은 더 큰 오해를 나타냅니다. 각각의 손상이있는 시편의 변형률은 동일했기 때문에 EBSD 이미지의 밝기는 거의 동일했습니다. 따라서 인간의 눈으로 손상 패턴을 결정하기가 어려웠습니다.

2.1.3 EBSD 이미지에서 데이터 세트 생성

우리는 교육 및 테스트를위한 3 가지 손상 패턴 유형 각각에 대해 6 개의 시각장에서 획득 한 800 × 799 픽셀의 EBSD 이미지를 분할하고 이미지 데이터를 증강하여 기계 학습을위한 데이터 세트를 만들었습니다.

머신 러닝에서 입력에 대한지면 진실 (라벨)이 알려진 교육 데이터의 양은 정확도에 직접적인 영향을 미치는 중요한 요소 중 하나입니다. 부분적으로 재료 분야에서는 높은 실험 비용과 복잡한 제조 공정으로 인해 대량의 데이터를 표준화 된 형식으로 수집하기가 어렵고 기계 학습을 방해합니다. 이미지 머신 러닝 에서이 문제를 해결하기 위해 기존 데이터를 토토 배팅 사이트하여 이미지 데이터의 수를 늘리기 위해 여러 데이터 확대 방법이 제안되었습니다. 전형적인 예는 회전, 역전, 번역, 자르기, 확장 및 감소가 포함됩니다.

우리는이 연구에서 데이터 확대를위한 자르기, 회전 및 역전을 토토 배팅 사이트했습니다. 자르기 크기를 줄이면 EBSD 이미지에서 생성 된 이미지의 수가 증가합니다. 그러나 이미지의 시야가 좁아서 정확도 저하로 이어지는 이벤트의 가능성이 높아집니다. 예를 들어, 거시적 손상의 특성은 데이터 또는 국소 손상의 특성을 가진 영역에 반영하기가 어려워 시각 필드에서 제외되는 경향이 있습니다. 따라서, 우리는 400 × 400 픽셀, 200 × 200 픽셀 및 100 × 100 픽셀의 3 가지 크기를 비교하여 자르기 크기의 영향을 평가했습니다. 데이터 확대 처리 처리는 400 × 400 픽셀 인 72 개의 이미지, 200 × 200 픽셀 인 392 개의 이미지 및 하나의 EBSD 이미지에서 100 × 100 픽셀 인 1 800 개의 이미지를 생성했습니다.

우리는 데이터 증강 처리 전에 EBSD 이미지에서 교육 및 테스트를위한 데이터를 나누었습니다. 이는 자르기, 회전 또는 반전 된 이미지가 혼합되기 전에 훈련 및 테스트를 위해 데이터를 분리했음을 의미합니다. 특히, 우리는 6 개의 시각 필드에서 획득 한 각 손상의 EBSD 이미지에서 하나의 시야를 선택했습니다. 그런 다음 테스트를위한 데이터 증강 처리를 통해 획득 한 3 가지 손상 형태의 72, 392 및 1 800 이미지를 토토 배팅 사이트하여 훈련을위한 다른 5 개의 시각 필드의 이미지를 토토 배팅 사이트했습니다. 이런 식으로, 훈련에 토토 배팅 사이트되는 회전 또는 반전 된 버전의 이미지는 테스트를위한 데이터에 포함되지 않으므로 완전히 알려지지 않은 비주얼 필드에 대한 예측 정확도를 평가할 수 있습니다.

위의 처리는표 1각각의 오해 분석 방법 (Grod, Kam, 곡물 경계 KAM 및 intragrainular kam) 및 각 손상 패턴 (크리프, 크리프-경향 및 피로)에 대해

2.2 머신 러닝 방법

2.2.1 네트워크 구조

기계 학습에 토토 배팅 사이트되는 네트워크 구조는 RESNET (잔여 네트워크)⁽⁶⁾. 이것은 컨볼 루션 신경 네트워크의 유형입니다. RESNET의 경우 다른 복잡성을 가진 5 가지 유형이 제안되었습니다 : RESNET-18, 34, 50, 101 및 152.이 연구에서 처리 된 이미지 데이터의 수는 최대의 약 30,000 개의 이미지입니다. 이 숫자는 114 MNIST (Mixed National Institute of Standards and Technologes Institute of Standards and Technologes Institute of Standards and Technologes Database, 70 000 이미지) 및 ImageNet과 같은 이미지 인식 분야에서 널리 알려진 데이터 세트보다 작기 때문에 가장 간단한 네트워크 구조 인 RESNET-18을 토토 배팅 사이트했습니다. 입력 이미지가 다중 컨볼 루션 레이어를 통과 한 후, 각 레이블로 분류 될 확률은 SoftMax 기능으로 계산되었습니다. 크로스 엔트로피는 매개 변수를 업데이트하는 데 기여하는 손실 함수에 토토 배팅 사이트되었지만, 상단 1 정확도는 검증 오류에 토토 배팅 사이트되어 토토 배팅 사이트할 모델을 결정합니다. 이 네트워크를 토토 배팅 사이트한 기계 학습 후, 테스트 이미지가 최소 유효성 검사 오류가있는 모델을 토토 배팅 사이트하여 SoftMax 함수로 크리프, 크리프-지방 또는 피로로 분류 될 확률을 계산할 확률을 계산했습니다. 결과 중 가장 높은 확률은 이미지의 예측 결과로 간주되었습니다.

2.2.2 머신 러닝 결과 평가

EBSD에 대한 오해 분석 방법과 자르기 크기의 영향을 비교하기 위해 획득 한 기계 학습 모델의 정확도를 정량적으로 비교해야합니다. 우리는이 연구에서 기계 학습 모델의 정확성을 평가하기 위해 세 가지 지수 (정확도, 정밀 및 리콜)를 토토 배팅 사이트했습니다. 이 지수는 혼란 매트릭스에서 계산됩니다. Confusion Matrix는 참/거짓 예측 결과를 요약하는 테이블입니다.표 2두 개의 레이블이있는 혼란 매트릭스의 예를 보여줍니다. 혼란 매트릭스는 레이블과 동일한 수의 행 및 열로 구성됩니다. 각 셀에는 해당 수의 이미지 데이터가 포함되어 있습니다. 예를 들어, TP 셀에는 실제 레이블 및 예측 된 레이블이 양수 인 반면 FN 셀에는 실제 레이블이 양수이지만 예측 된 레이블은 음수 인 이미지 데이터의 수를 포함합니다.

첫째, 정확도는 모든 데이터에 대한 올바르게 예측 된 데이터의 비율을 나타내는 색인입니다. 정확도는 식 (3)으로 계산됩니다.

다음, 정밀도는 긍정적 인 것으로 예측 된 데이터 대 데이터 대 데이터의 비율을 나타내는 색인입니다. 정밀도는 식 (4)로 계산됩니다.

마지막으로, 리콜은 실제로 긍정적 인 데이터에 긍정적으로 예측 된 데이터의 비율을 나타내는 색인입니다. 리콜은 식 (5)로 계산됩니다.

일반적 으로이 두 지수 중 하나가 증가함에 따라 다른 지수는 감소합니다. 그들 중 어느 것이 우선 순위가 결정되는지에 따라 결정됩니다.

이 연구에서는 세 가지 레이블 유형 (크리프, 크리프-경향 및 피로)이 있었기 때문에 기계 학습 모델을 토토 배팅 사이트한 예측은 3 × 3 혼란 매트릭스를 초래했습니다. 이 혼란 매트릭스에 대해 정확도 및 각 손상 패턴에 대한 정밀도 및 리콜을 계산했으며, 이러한 지수를 토토 배팅 사이트하여 오해 분석 방법과 자르기 크기의 영향을 비교했습니다. 이 연구의 주제에서 실제 손상 패턴이 얼마나 올바르게 예측되는지에 대한 정밀도에 대한 리콜을 우선시했습니다.

2.3 머신 러닝을위한 초점 영역 분석

|하위 섹션 2.1.2.그러나 이러한 이미지를 기계 학습을 토토 배팅 사이트하여 분류 할 수 있다면 인간의 눈이 구별 할 수없는 다른 손상 패턴을 가진 EBSD 이미지 사이에는 차이가 있으며 이러한 차이는 기계 학습에 의해 인식되고 분류됩니다. 따라서 손상 패턴에 따라 재료 조직의 특성의 차이는 기계 학습의 초점 영역을 시각화하여 분류 할 수 있다고 가정합니다. 최근에 기계 학습 모델이 예측 중에 초점을 맞추는 이미지의 기능을 시각화하기 위해 많은 방법이 제안되었습니다. 이 연구에서 우리는 이러한 시각화 방법 중 하나 인 Grad-CAM (그라디언트 가중 클래스 활성화 매핑)을 토토 배팅 사이트했습니다.⁽⁷⁾, 초점 영역을 시각화하려면

3. 분석 결과 및 고려 사항

3.1 EBSD 분석 방법의 영향

먼저, 우리는 단일 자르기 크기가 400 × 400 픽셀의 4 가지 유형의 EBSD 오해 분석 방법 (Grod, Kam, grain boundary kam 및 intragrainular kam) 사이의 손상 패턴의 예측 정확도 차이를 비교했습니다.표 3각 오해 분석 방법으로 획득 한 이미지로 구성된 데이터 세트를 토토 배팅 사이트하여 기계 학습을 적용하여 얻은 정확도, 정밀 및 리콜의 계산 결과를 보여줍니다. 피로 이미지에 대한 예측 결과의 정밀성과 리콜은 각 오해 분석 방법에 따라 1.00이며 예측 정확도가 100 %임을 보여줍니다. 뇌내 KAM 이미지가 토토 배팅 사이트될 때 모든 지수에 대해 가장 높은 값이 달성되었습니다.표 4intratragrathular kam 이미지가 토토 배팅 사이트될 때 혼란 매트릭스를 보여줍니다. 크리프와 크리프 경포를 구별 할 때 몇 가지 오류가 발생했지만, 이는이 연구에서 고려 된 4 가지 분석 방법 유형 중 가장 좋은 손상 특성을 표현할 가능성이 있음을 시사합니다.

그런 다음, 다른 EBSD 분석 방법으로 얻은 결과를 자세히 관찰했습니다. 첫째, GROD 이미지를 토토 배팅 사이트했을 때 크리프의 리콜은 1.00만큼 높았지만 크리프 경포의 리콜은 0.042만큼 낮았습니다. 이것은 대부분의 크리프와 크리프-경포 이미지가 크리프로 예측되었음을 의미합니다. 다시 말해, 크리프와 크리프 경포는 거의 차별화되지 않았습니다. KAM 이미지가 토토 배팅 사이트되면 크리프의 리콜은 0.5 미만이었습니다. 즉, 크리프 이미지의 절반 이상이 크리프-피로 인 것으로 예상되었으며, 크리프와 크리프 경포가 거의 차별화되지 않았 음을 나타냅니다.

KAM 이미지, 곡물 경계 KAM 이미지 및 intragrathular kam 이미지의 결과 비교는 모든 지수의 예측 정확도가 KAM과 KAM과 KAM의 예측 정확도가 가장 높음을 보여줍니다. 곡물 경계 KAM 이미지와 intragrathular KAM 이미지가 일반 KAM 이미지의 특정 영역에서 추출되기 때문에 일반 KAM 이미지에는이 두 유형의 이미지보다 더 많은 오해 정보가 포함되어 있습니다. 그럼에도 불구하고, 곡물 경계 KAM 또는 intrragrathular kam이 토토 배팅 사이트될 때 정확도는 더 높았다. 이것은 아마도 곡물 경계 또는 intragragragrathular와 같은 재료 과학 정보가 오해와 함께 픽셀의 간단한 좌표 정보에 추가 되었기 때문일 것입니다.

3.2 자르기 크기의 영향

다음으로, 우리는 각 작물 크기 사이의 예측 정확도의 차이를 비교했습니다. 우리는 400 × 400 픽셀, 200 × 200 픽셀 및 100 × 100 픽셀의 데이터 세트를 토토 배팅 사이트하여 기계 학습을 적용하여 KAM 내 KAM EBSD 오해 분석 방법을 토토 배팅 사이트하여 3.1 절에서 결과에서 가장 높은 정확도를 보여주었습니다.표 5각 모델의 정확도, 정밀도 및 리콜의 계산 결과를 보여줍니다. 400 × 400 픽셀의 분석 결과는표 3 및 4. 피로 이미지를 토토 배팅 사이트한 예측 결과의 정밀도와 리콜은 각 자르기 크기마다 1.00이며 예측 정확도는 100 %입니다. 그러나 크리프와 크리프-경포의 분류와 관련하여, 400 × 400 픽셀의 이미지가 토토 배팅 사이트될 때 가장 높은 정확도가 달성되었고, 자르기 크기가 작아짐에 따라 정확도가 떨어졌습니다. 예측 정확도의 저하에 대한 가능한 이유, DOSPITE 이미지 데이터 수의 5 ~ 25 배 증가는 이미지 당 정보의 양이 감소하기 때문입니다.그림 2자르기 후 뇌내 KAM 이미지의 전형적인 예를 보여줍니다. 각 시야의 결정 입자의 수는 상당히 다양합니다. 구체적으로, 400 × 400 픽셀, 200 x 200 픽셀 및 100 × 100 픽셀 이미지는 각각 약 150, 40 및 10 곡물을 함유한다. EBSD 이미지에서 캡처 된 손상 특성이 거시적 인 경우 수십 개의 결정 입자에 걸쳐있는 경우 자르기 크기가 감소함에 따라 전체 그림을 식별하는 것이 더 어려워집니다. 이것은 아마도 모델의 예측 정확도를 낮출 것입니다. 대조적으로, 특정 영역에 손상 특성이 집중되면, 자르기 크기가 감소함에 따라 시각장에 해당 영역을 포함시킬 확률이 떨어집니다. 결과적으로, 레이블이 적은 손상 영향을 가진 시각장에 라벨이 제공되는 데이터 세트는 훈련 및 테스트에 토토 배팅 사이트됩니다. 이것은 아마도 예측 정확도를 낮출 것입니다. 어쨌든,이 고려의 결과는 자르기 크기를 무기한으로 줄임으로써 이미지 데이터의 수를 증가시킬 수 없음을 보여줍니다. 이미지 데이터 수를 늘려 정확도를 향상시키는 가장 효과적인 방법은 추가 EBSD 이미지를 획득 할 수 있습니다.

3.3 실제 응용 프로그램에 대한 고려 사항

이 섹션에서는 위의 비교에서 가장 높은 정확도를 보여주는 모델을 요약합니다. 400 × 400 픽셀로 intragrathular kam 이미지를 자르면 생성 된 데이터 세트를 토토 배팅 사이트하여 생성 된 예측 모델은이 연구에서 고려 된 조건에서 가장 높은 정확도를 보여주었습니다.표 4예측 결과의 혼란 매트릭스를 보여줍니다. 피로는 100 %의 정확도로 예측되었으며 정확도는 크리프로 제한되어 있으며 크리프-경포는 약 0.8입니다.

29332_30131

3.4 Grad-CAM을 토토 배팅 사이트한 초점 영역 분석

마지막으로, 우리는 400 × 400 픽셀의 자르기 크기의 자르기 크기로 파생 내 KAM 예측 모델의 초점 영역을 분석했는데,이 비교에서 Grad-Cam을 토토 배팅 사이트하여 위의 비교에서 가장 높은 정확도를 보여주었습니다.그림 3크리프, 크리프 경쟁 및 피로의 초점 영역 분석 결과를 보여줍니다. 안에그림. 3, 빨간색에 더 가까운 영역은 더 집중적이지만 파란색에 더 가까운 지역은 덜 집중되어 있습니다. 올바르게 분류 된 이미지의 분석 결과입니다.그림 3| intragratheral kam 이미지의 밝은 결정 곡물, 즉 곡물에 큰 오해가있는 사람들이 주요 초점 영역임을 보여줍니다. 초점 영역이 전체 이미지가 아닌 지역에 위치한다는 사실은 거시적 오해 분포가 아닌 곡물에서 발생한 오해 분포의 형태에 따라 손상 패턴이 분류 될 수 있음을 시사합니다. 초점 영역을보다 자세히 관찰하는 것은 미래의 손상 메커니즘의 명확성으로 이어질 것으로 예상됩니다.

또한 개별 초점 영역의 크기는 1 ~ 여러 개의 결정 입자와 동일하며 하나의 이미지에는 초점 영역이 거의 없습니다. 이는 시각장이 현저한 손상 특성을 가진 영역을 포함 할 확률이 낮아서 자르기 크기가 감소했을 때 예측 정확도가 감소했음을 시사합니다.

4. 결론

우리는 인간의 눈으로 결정하기 어려운 손상 패턴을 식별하기 위해 TI 합금의 EBSD 이미지를 토토 배팅 사이트하여 기계 학습을 적용했습니다. 상이한 유형의 손상 (크리프, 크리프-피로 및 피로)을 ​​상자 온도에서 동등한 변형률로 테스트 시편에 적용한 다음 EBSD 이미지를 획득했습니다.

우리는 4 개의 EBSD 오해 분석 방법 (GROD, KAM, 곡물 경계 KAM 및 KAM)과 3 개의 이미지 자르기 크기 (400 × 400 픽셀, 200 x 200 픽셀 및 100 × 100 픽셀)를 비교하여 예측 비교에 대한 영향을 조사하기 위해 데이터 확대 처리에서 비교했습니다. 또한 Grad-CAM을 토토 배팅 사이트한 기계 학습의 초점 영역을 분석하고 추정 중에 EBSD 이미지에서 어떤 특성이 집중되어 있는지 관찰했습니다. 이 연구의 결론은 다음과 같습니다.

1. 크로트 크기로 400 × 400 픽셀을 선택하여 생성 된 모델과 불 오해 분석 방법 이이 연구에서 고려 된 분석 조건 중에서 가장 높은 정확도를 갖습니다.
2. 자르기 크기 감소는 시각적 필드에 현저한 손상 특성이있는 영역이 포함되어있어 예측 정확도가 낮아집니다. 이는 자르기 크기를 줄임으로써 이미지 데이터 수를 무기한으로 증가시킬 수 없음을 의미합니다.
3. 이 연구에서 고려 된 방법은 높은 정확도로 손상 패턴을 결정할 가능성을 보여줍니다. 그러나이 방법은 100 %의 결정 정확도를 제공하지 않습니다. 이 방법을 실제 애플리케이션에 넣으려면 모델 자체의 정확도를 향상시킬뿐만 아니라 기계 학습 모델을 토토 배팅 사이트하는 방법을 파악하고 입력 데이터의 획득 방법과 품질에 대해 논의해야합니다.
4. grad-cam을 토토 배팅 사이트한 초점 영역 분석은 결정 입자에서 발생하는 오해 분포의 모양이 손상 패턴을 분류하기 위해 특성으로 토토 배팅 사이트될 가능성이 있음을 보여줍니다. 초점 영역을 자세히 관찰하는 것은 미래의 손상 메커니즘의 명확성으로 이어질 것으로 예상됩니다.

우리는이 기술의 정확성을 개선하여 평가의 지식과 경험에 의존하지 않는 일반화 된 손상 원인 추정을 실현하여 유지 보수 및 재난 제어 측면에서 사회에 기여할 것입니다.

　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　

Vol.57 No.2