Physics-guided adversarial networks for artificial digital image correlation data generation

要約

デジタル画像相関 (DIC) は、機械的実験、特に疲労亀裂成長実験の評価において貴重なツールになりました。
評価には、亀裂経路と亀裂先端位置の正確な情報が必要ですが、固有のノイズやアーティファクトのために入手が困難です。
機械学習モデルは、ラベル付きの DIC 変位データが与えられた場合に、この関連情報を認識することに非常に成功しています。
よく一般化する堅牢なモデルのトレーニングには、ビッグデータが必要です。
ただし、実験には費用と時間がかかるため、材料科学と工学の分野では通常、データが不足しています。
物理誘導弁別器を備えた生成的敵対ネットワークを使用して、合成 DIC 変位データを生成する方法を提示します。
データ サンプルが本物か偽物かを判断するために、この弁別器は派生したフォン ミーゼス等価ひずみをさらに受け取ります。
この物理学に基づくアプローチが、サンプルの視覚的品質、スライスされたワッサースタイン距離、およびジオメトリ スコアの点で改善された結果につながることを示します。

要約(オリジナル)

Digital image correlation (DIC) has become a valuable tool in the evaluation of mechanical experiments, particularly fatigue crack growth experiments. The evaluation requires accurate information of the crack path and crack tip position, which is difficult to obtain due to inherent noise and artefacts. Machine learning models have been extremely successful in recognizing this relevant information given labelled DIC displacement data. For the training of robust models, which generalize well, big data is needed. However, data is typically scarce in the field of material science and engineering because experiments are expensive and time-consuming. We present a method to generate synthetic DIC displacement data using generative adversarial networks with a physics-guided discriminator. To decide whether data samples are real or fake, this discriminator additionally receives the derived von Mises equivalent strain. We show that this physics-guided approach leads to improved results in terms of visual quality of samples, sliced Wasserstein distance, and geometry score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google