深度学习辅助Micro-CT融合方法：考虑几何分散的高保真编织复合材料RVE建模与力学性能分析

本文提出了一种融合Micro-CT扫描与深度学习（CycleGAN图像增强+YOLOv8像素级分割）的高保真编织复合材料代表性体积单元（RVE）建模方法，通过统计均值重建和渐进损伤分析，显著提升了3D四向编织复合材料（3D4DCs）力学性能预测精度，并揭示了固化加压工艺导致的纤维取向分布转变（从近似横观各向同性转为正交各向异性）及几何不确定性对弹性常数影响的特异性规律。

　　

Highlight

本研究亮点在于建立了深度学习驱动的微计算机断层扫描（Micro-CT）图像处理流程，为参数化有限元（FE）建模开辟了新途径。该建模策略在保持高保真度的同时显著提升了计算效率。

主要结论

本研究建立了基于深度学习的Micro-CT图像关键几何信息提取工作流，为参数化有限元（FE）建模提供了直接路径。所提出的建模策略在保持高模型保真度的同时显著提高了计算效率。主要结论如下：

1. 1.
   通过整合循环生成对抗网络（CycleGAN）和YOLOv8，实现了对低质量Micro-CT图像的高效二值化和实例分割。结合所提出的统计均值重建方法，成功构建了具有高几何保真度的编织复合材料代表性体积单元（RVE）模型。
2. 2.
   数值模拟结果表明，该RVE模型能显著提高力学性能预测精度，模拟的应力-应变曲线与实验数据高度吻合。研究发现，固化过程中的加压工艺显著改变了复合材料内部的纤维取向分布，使材料从最初设计的近似横观各向同性转变为正交各向异性复合材料。
3. 3.
   几何不确定性系统地重塑了力学响应格局：每种变形模式会激活不同的微观结构特征，导致相同的空间变异性对弹性常数的影响强度存在显著差异。因此，某些性能表现出高敏感性，而其他性能则基本不受影响，这意味着分散程度本质上是属性特异性的。

结论

本研究建立了一个深度学习辅助的工作流程，用于从Micro-CT图像中提取关键的几何信息，为参数化有限元（FE）建模创建了一条直接路径。所提出的建模策略在保持高模型保真度的同时，显著提高了计算效率。主要结论如上所述。

CRediT作者贡献声明

Kailun Li： 撰写初稿，软件，方法论，研究，形式分析，数据整理。 Yixing Qian： 验证，软件，研究，数据整理。 Shaoran Cheng： 可视化，软件，研究，形式分析。 Zhenyu Yang： 审阅编辑，监督，资源，项目管理，方法论，资金获取，概念化。 Zixing Lu： 审阅编辑，监督，资源。

利益冲突声明

作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本研究报告的工作。

致谢

作者感谢国家自然科学基金（批准号：12272021, 11972057, 12332013, 11972058）的联合支持。同时衷心感谢中国科学院超级计算中心ScGrid/CNGrid的支持。