[論文レビュー] Deep learning methods based on cross-section images for predicting effective thermal conductivity of composites

Qingyuan Rong, Wei Han+1 more|arXiv (Cornell University)|Apr 12, 2019

Thermal properties of materials参考文献 54被引用数 4

ひとこと要約

本稿では、3次元CNNと同等の精度で有効熱伝導率を予測するために、複合材料の2次元断面画像を2次元畳み込みニューラルネットワーク（CNN）の入力として使用することを提案する。特に熱流方向に整列した複数の断面画像を活用することで、2次元CNNは高い予測性能を達成し、高価な3次元微細構造データへの依存を低減しつつ、画像の代表性和およびサイズによって精度を維持する。

ABSTRACT

Effective thermal conductivity is an important property of composites for different thermal management applications. Although physics-based methods, such as effective medium theory and solving partial differential equation, dominate the relevant research, there is significant interest to establish the structure-property linkage through the machine learning method. The performance of general machine learning methods is highly dependent on features selected to represent the microstructures. 3D convolutional neural networks (CNNs) can directly extract geometric features of composites, which have been demonstrated to establish structure-property linkages with high accuracy. However, to obtain the 3D microstructure in composite is generally challenging in reality. In this work, we attempt to use 2D cross-section images which can be easier to obtain in real applications as input of 2D CNNs to predict effective thermal conductivity of 3D composites. The results show that by using multiple cross-section images along or perpendicular to the preferred directionality of the fillers, the prediction accuracy of 2D CNNs can be as good as 3D CNNs. Such a result is demonstrated with the particle filled composite and a stochastic complex composite. The prediction accuracy is dependent on the representativeness of cross-section images used. Multiple cross-section images can fully determine the shape and distribution of fillers. The average over multiple images and the use of large-size images can reduce the uncertainty and increase the prediction accuracy. Besides, since cross-section images along the heat flow direction can distinguish between serial structures and parallel structures, they are more representative than cross-section images perpendicular to the heat flow direction.

研究の動機と目的

• 機械学習を用いて、複合材料における有効熱伝導率の構造-性質連関を確立すること。
• 3次元微細構造データの取得の難しさを克服するため、2次元断面画像を入力として使用すること。
• 2次元画像のみを用いて、2次元CNNが3次元CNNと同等の予測精度を達成できるかどうかを評価すること。
• 予測信頼性を最大化するための最適な断面方向と画像処理戦略を同定すること。
• 粒子充填型およびスチュアティックな複合材料における3次元熱的挙動を推定するために、代表的な2次元画像スタックの実用可能性を示すこと。

提案手法

• 複合材料微細構造の複数の2次元断面画像を用いて2次元畳み込みニューラルネットワーク（CNN）を訓練すること。
• 熱流方向に沿った断面画像を用いることで、直列および並列の熱的パスウェイをより明確に区別できることを活かすこと。
• 複数の断面画像を平均化することで、不確実性を低減し、特徴表現を向上させること。
• 大規模な画像を用いることで空間分解能を向上させ、微細な微細構造的特徴を捉えること。
• 物理ベースのシミュレーションまたは解析的モデルからの基準解と照合して予測を検証すること。
• 熱流方向に対して平行または垂直な断面画像を用いた2次元CNNの性能を比較すること。

実験結果

リサーチクエスチョン

• RQ1 2次元CNNは、断面画像を学習データとして用いることで、3次元CNNと同等の精度で有効熱伝導率を予測できるか？
• RQ2 断面画像の方向（熱流方向に平行か垂直か）が予測性能に与える影響はいかほどか？
• RQ3 複数の断面画像を用いることで、2次元CNNの予測の代表性和および精度はどの程度向上するか？
• RQ4 画像サイズおよびアンサンブル平均化が、熱伝導率予測の不確実性低減に果たす役割は何か？
• RQ5 2次元断面データは、複合材料における熱輸送に重要な3次元微細構造的特徴を十分に捉えられるか？

主な発見

• 複合材料微細構造の複数の2次元断面画像を用いることで、2次元CNNは3次元CNNと同等の予測精度を達成する。
• 熱流方向に整列した断面画像は、熱流方向に垂直な画像よりもより代表的であり、予測精度が高くなる。
• 複数の断面画像からの予測を平均化することで、不確実性が低減し、モデルの頑健性が向上する。
• 画像サイズを大きくすることで特徴抽出が向上し、予測性能の向上に寄与する。
• 使用する断面画像の代表性が、全体の予測精度の主要因である。
• 本手法により、3次元微細構造データを完全に必要とせずとも、正確な熱伝導率予測が可能となり、実験的および計算的コストを顕著に低減できる。