1、3D Convolutional Neural Networks for Dendrite Segmentation Using Fine-Tuning and Hyperparameter Optimization
https://arxiv.org/pdf/2205.01167
Jim James, Nathan Pruyne, Tiberiu Stan, Marcus Schwarting, Jiwon Yeom, Seungbum Hong, Peter Voorhees, Ben Blaiszik, Ian Foster
树状微结构在自然界中普遍存在，也是金属材料中主要的凝固形态。 手动识别显微镜X 射线断层扫描 (XCT) 等技术的图像可能既费力又可能不明确。 3D 数据集的分析在现阶段变得特别具有挑战性，因为它们的大小（TB）很大，并且存在散布在成像体积内的伪影。论文训练了 3D 卷积神经网络 (CNN) 来分割 3D 数据集。并研究了三种 CNN 架构，包括新的 3D 版本的 FCDense。结果表明，使用超参数优化 (HPO) 和微调技术，训练 2D 和 3D CNN 架构可以超越之前的技术水平。本研究中训练的 3D U-Net 架构根据定量指标产生了最佳分割（像素精度为 99.84%，边界位移误差为 0.58 像素），而 3D FCDense 根据视觉检查产生了最平滑的边界和最佳分割.训练的 3D CNN 能够在大约 60 秒内分割整个 852 x 852 x 250 体素 3D 体积，从而加快了对相变现象（例如树枝状凝固）的更深入理解的进展。
2、DH-Net: Deformed Microstructure Homogenization via 3D Convolutional Neural Networks(arXiv)
https://arxiv.org/pdf/2201.09672
Hao Peng, An Liu, Jingcheng Huang, Jikai Liu, Lin Lu
随着制造耶的快速发展，微结构引起了学术界和工业界的关注。作为分析微观结构力学行为的一种有效方法，均质化方法在文献中得到了很好的研究。对于需要高度重复计算的拓扑优化，经典的均质化方法计算成本很高。当微观结构从规则立方变形时，因其计算成本更高，会导致虚拟均匀材料性能的变化。为了克服这个问题，论文入了一个可以预测变形微结构的均质特性的 3D CNN ，称为 DH-Net 。 在基于最小势能的损失函数中，将宏观应变视为常数。因此，DH-Net比现有的基于均方损失函数的深度学习方法是无标签的并且具有更高的计算效率。论文应用了形状-材料变换，将具有各向同性材料的变形微结构可以双向转化为具有变换基础材料的规则结构，使 CNN 模型获得了更友好的输入数据。与标准同质化方法相比，DH-Net 可以数百倍的加速预测同质化属性，甚至支持在线计算。并且它不需要标记数据集，因此在训练处理中可以比当前的深度学习方法快得多。 DH-Net 可以预测均质材料特性和微机械特性，这对于现有的 DL 方法是不可用的。 DH-Net对于不同基材和不同类型微结构的推广也被考虑在内
完整文章
https://avoid.overfit.cn/post/93d66d92ca934caabde02d97e2effaeb