Generating artificial digital image correlation data using physics-guided adversarial networks

要約

デジタル画像相関 (DIC) は、ひび割れ試験片の機械実験を監視および評価するための貴重なツールとなっていますが、固有のノイズやアーティファクトのため、ひび割れの自動検出は多くの場合困難です。
機械学習モデルは、DIC で測定され、補間された全フィールド変位を畳み込みベースのセグメンテーション モデルへの入力として使用して、亀裂経路と亀裂先端を検出することに非常に成功しています。
それでも、そのようなモデルをトレーニングするにはビッグデータが必要です。
しかし、実験には費用と時間がかかるため、科学的なデータが不足していることがよくあります。
この研究では、実際の補間された DIC 変位に似た、ひび割れ試験片の大量の人工変位データを直接生成する方法を紹介します。
このアプローチは敵対的生成ネットワーク (GAN) に基づいています。
トレーニング中に、ディスクリミネーターは、導出されたフォンミーゼス等価ひずみの形式で物理領域の知識を受け取ります。
この物理ガイド付きアプローチは、従来のガイドなし GAN アプローチと比較した場合、サンプルの視覚的品質、スライスされたワッサーシュタイン距離、ジオメトリ スコアの点で結果が向上することを示します。

要約(オリジナル)

Digital image correlation (DIC) has become a valuable tool to monitor and evaluate mechanical experiments of cracked specimen, but the automatic detection of cracks is often difficult due to inherent noise and artefacts. Machine learning models have been extremely successful in detecting crack paths and crack tips using DIC-measured, interpolated full-field displacements as input to a convolution-based segmentation model. Still, big data is needed to train such models. However, scientific data is often scarce as experiments are expensive and time-consuming. In this work, we present a method to directly generate large amounts of artificial displacement data of cracked specimen resembling real interpolated DIC displacements. The approach is based on generative adversarial networks (GANs). During training, the discriminator receives physical domain knowledge in the form of 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 when compared to a classical unguided GAN approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google