Artificial Neural Networks Framework for Detection of Defects in 3D-Printed Fiber Reinforcement Composites
Artificial Neural Networks Framework for Detection of Defects in 3D-Printed Fiber Reinforcement Composites
复制标题
用于检测 3D 打印纤维增强复合材料缺陷的人工神经网络框架
DOI：
10.1007/s11837-021-04708-9
复制
发表时间：
2021
期刊：
影响因子：
2.6
通讯作者：
Gupta, Nikhil
中科院分区：
文献类型：
--
作者：
Chen, Guan Lin;Yanamandra, Kaushik;Gupta, Nikhil
应用层析成像方法检测复合材料中的缺陷的主要挑战之一是成像过程中产生的大量图像数据集，这需要花费大量的精力来检测损伤。机器学习(ML)方法需要大量的训练数据集，并且可以有效地处理用于缺陷检测的断层扫描数据集。需要开发图像处理方法来训练最大似然算法，这是本工作的重点。使用Micro-CT扫描对添加的制造的纤维增强复合材料成像，以生成用于缺陷检测的图像集。使用二值化统计图像特征(BSIF)方法对微结构进行处理，以在不影响所需缺陷信息的情况下进行压缩。结果表明，卷积神经网络模型对纤维取向的预测具有0.001的均方误差，并提出了一种基于最大似然模型预测的缺陷检测方案。
One of the major challenges in applying tomography methods for detecting defects in composite materials is the large image datasets generated during imaging, which require significant effort for the detection of damage. Machine-learning (ML) methods require a large training dataset and can be efficient in processing tomography datasets for defect detection. Methods need to be developed for processing images to train the ML algorithms, which is the focus of the present work. An additive manufactured fiber reinforced composite material is imaged using a micro-CT scan to generate an image set for defect detection. The microstructures are processed using the binarized statistical image features (BSIF) method for compression without compromising the desired information about defects. The result shows that the convolutional neural network model has a mean square error of 0.001 in fiber orientation prediction, and a scheme has been developed for defect detection based on the predictions obtained from the ML models.
登录
查看更多内容
增材制造几何偏差识别与预测方法
影响因子：
3.9
作者：
Zhicheng Huang;J. Dantan;A. Etienne;M. Rivette;Nicolas Bonnet
通讯作者：
Nicolas Bonnet
DOI：
10.1016/j.compositesa.2019.105497
发表时间：
2019-09-01
影响因子：
8.7
作者：
Palmero, Ester M.;Casaleiz, Daniel;Bollero, Alberto
通讯作者：
Bollero, Alberto
影响因子：
3.8
作者：
Averardi, Alessandro;Cola, Corrado;Gupta, Nikhil
通讯作者：
Gupta, Nikhil
使用成像和机器学习通过刀具路径重建对增材制造复合材料零件进行逆向工程
影响因子：
9.1
作者：
Yanamandra, Kaushik;Chen, Guan Lin;Xu, Xianbo;Mac, Gary;Gupta, Nikhil
通讯作者：
Gupta, Nikhil
使用人工神经网络定制复合材料的非线性粘弹性特性
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
Xianbo Xu;Mariam Elgamal;M. Doddamani;N. Gupta
通讯作者：
N. Gupta