[论文解读] Two-stage 2D-to-3D reconstruction of realistic microstructures: Implementation and numerical validation by effective properties

Paul Seibert, Alexander Raßloff+5 more|arXiv (Cornell University)|Jan 23, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文提出一种两阶段、可微分的2D到3D显微组织重建方法，通过使用统计描述符对DMCR算法进行优化，提升了重建精度。该方法在β-Ti/TiFe合金的真实CT扫描和合成自旋型结构上进行了验证，能够以低于1%的误差高精度预测有效弹性与塑性性能，当使用代表性2D切片及描述符平均时表现尤为出色。

ABSTRACT

Realistic microscale domains are an essential step towards making modern multiscale simulations more applicable to computational materials engineering. For this purpose, 3D computed tomography scans can be very expensive or technically impossible for certain materials, whereas 2D information can be easier obtained. Based on a single or three orthogonal 2D slices, the recently proposed differentiable microstructure characterization and reconstruction (DMCR) algorithm is able to reconstruct multiple plausible 3D realizations of the microstructure based on statistical descriptors, i.e., without the need for a training data set. Building upon DMCR, this work introduces a highly accurate two-stage reconstruction algorithm that refines the DMCR results under consideration of microstructure descriptors. Furthermore, the 2D-to-3D reconstruction is validated using a real computed tomography (CT) scan of a recently developed beta-Ti/TiFe alloy as well as anisotropic "bone-like" spinodoid structures. After a detailed discussion of systematic errors in the descriptor space, the reconstructed microstructures are compared to the reference in terms of the numerically obtained effective elastic and plastic properties. Together with the free accessibility of the presented algorithms in MCRpy, the excellent results in this study motivate interdisciplinary cooperation in applying numerical multiscale simulations for computational materials engineering.

研究动机与目标

• 解决在缺乏或无法获取3D CT扫描时，仅基于有限2D显微图像生成真实3D显微组织的挑战。
• 通过引入基于统计描述符的两阶段优化流程，改进现有无数据、可微分重建方法。
• 利用真实CT数据和合成各向异性结构对重建显微组织进行验证，重点关注有效力学性能的预测精度。
• 量化描述符空间中的系统性误差，并评估切片尺寸与平滑处理对重建显微组织保真度的影响。
• 通过MCRpy提供免费开源实现，实现计算材料工程中可靠多尺度模拟。

提出的方法

• 将可微分显微组织表征与重建（DMCR）算法进行适配，从单张或正交2D切片生成初始3D显微组织实现。
• 实施两阶段优化：首先通过DMCR生成3D重建，然后利用基于梯度的优化方法，最小化目标与重建统计描述符之间的差异。
• 以一组统计描述符（如两点相关函数和路径函数）作为优化阶段可微分损失函数的基础。
• 应用基于描述符的平滑处理，以纠正噪声引起的伪影，同时确保微结构特征（如尖锐拐角）得以保留，避免过度平滑。
• 通过数值均匀化计算重建显微组织的有效弹性与塑性性能，并与真实CT扫描的参考值进行比较。
• 通过多个小2D切片的描述符平均，提升代表性，尤其在原始切片过小时，可缓解采样偏差。

实验结果

研究问题

• RQ1 与基线DMCR相比，两阶段可微分重建方法是否能显著提升从2D切片重建3D显微组织的精度？
• RQ2 统计描述符中的误差如何传播至有效力学性能（弹性与塑性）预测中的误差？
• RQ3 用于描述符计算的2D切片尺寸在多大程度上影响重建3D显微组织的保真度？
• RQ4 基于描述符的平滑处理与标准高斯平滑相比，在保留微结构特征和提升有效性能预测方面表现如何？
• RQ5 通过多个小2D切片的描述符平均，能否有效弥补缺乏大尺寸代表性切片的不足？

主要发现

• 当描述符在多个小切片上平均时，两阶段重建方法将有效杨氏模量的误差降低至柱状结构的-0.5%和层状自旋型结构的-8.4%，而单个小切片的误差分别为-7.8%和-11%。
• 使用单个大尺寸切片进行描述符计算时，有效杨氏模量的误差仅为-2.1%（柱状）和-2.0%（层状），表明代表性采样的重要性。
• 基于描述符的平滑处理可恢复原始微结构特征（如尖锐拐角），而高斯平滑无法区分噪声与真实特征，导致显著误差。
• 平滑处理使柱状结构的有效屈服强度提高最多0.5%，层状结构提高0.3%，表明噪声校正可提升力学性能预测精度。
• 未平滑的重建结果因在刚性区域错误分配较软相，导致刚度降低（如柱状结构-1.3%，层状结构-4.1%），从而削弱有效响应。
• 该方法在各向异性有效行为预测方面表现出高精度，重建性能与真实CT扫描结果高度吻合，验证了其在多尺度模拟中的适用性。