深度学习从显微照片预测钢材疲劳寿命

研究人员开发了一个使用深度学习的计算机视觉框架，可以从显微照片预测钢合金的疲劳寿命。该方法绕过了冗长的机械测试，为质量控制提供了一种更快的替代方案。该框架包含一个多阶段预处理程序、一个物理信息特征提取器和一个使用专用损失函数训练的CNN回归模型，用于预测疲劳寿命和相关不确定性。在合成数据上的初步评估显示出有希望的准确性和改进的模型校准。 AI

影响 为材料科学质量控制提供了一种更快、更自动化的方法，有可能加速产品开发和安全评估。

排序理由 详细介绍深度学习在材料科学中新应用的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Aryuemaan Chowdhury
• CNN
• computer vision
• Grad-CAM++
• OpenCV
• ResNet-50
• VGG-16

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →