《Materials & Design》：Microstructural images reconstruction of heterogeneous materials using generative adversarial networks
编辑推荐：
提出了一种连续条件生成对抗网络（CcGAN）框架，用于重建非均质微观结构，并实现对有效性能的精确控制。该模型表现出较高的视觉保真度，并展示出对纤维状、颗粒状、随机以及γ′沉淀微观结构的适用性。采用基于有限元法（FEM）的均匀化、Wasserstein距离以及V
提出了一种连续条件生成对抗网络（CcGAN）框架，用于重建非均质微观结构，并实现对有效性能的精确控制。该模型表现出较高的视觉保真度，并展示出对纤维状、颗粒状、随机以及γ′沉淀微观结构的适用性。采用基于有限元法（FEM）的均匀化、Wasserstein距离以及Voigt–Reuss和Hashin–Shtrikman（HS）界限来评估物理响应一致性。该模型展示了作为基于微观结构的材料设计与性能评估计算工具的潜力。
非均质材料微观结构图像的生成对抗网络重建研究解读
在材料科学中，理解微观结构与宏观性能之间的关系是核心目标。几乎所有工程材料在足够小的尺度上均呈现非均质性，其宏观物理响应由微观结构几何特征（如空间分布、取向、形状和体积分数）决定。然而，通过实验或仿真获取高保真且多样化的微观结构数据耗时且成本高昂，导致数据稀缺成为数据驱动多尺度分析与加速材料设计的主要瓶颈。传统的微观结构重建方法，包括逆优化、多点统计、随机场和前向生长方法，在捕捉真实材料复杂随机形态方面存在明显局限。尽管生成对抗网络（GAN）及其变体在微观结构合成中展现出潜力，但传统GAN缺少对连续描述符的明确控制，标准条件GAN（cGAN）也不适用于稀疏或非均匀连续标签。为此，研究人员提出了一种基于连续条件生成对抗网络（CcGAN）的框架，用于在连续物理描述符控制下重建高保真非均质微观结构，该研究发表于《Materials》期刊。
研究人员构建了涵盖模拟与实验数据的四类数据集：由随机生长模型（RGGM）生成的纤维复合材料微观结构、由四参数随机生长法（QSGS）生成的颗粒材料微观结构、随机等径圆形堆积结构，以及粉末冶金镍基高温合金的扫描电子显微镜（SEM）图像。实验数据来自496幅有效SEM显微图，经滑动窗口裁剪获得9920个512×512像素的图像块，并二值化以分离γ′沉淀相与基体。随后，训练CcGAN模型学习连续标签（如体积分数）与微观结构图像之间的映射关系。定量评估包括标签准确度、几何统计指标（两相关函数TPCF、细长度、圆形度）以及通过有限元法（FEM）计算的有效热导率。结果表明，该模型能够生成视觉上高度逼真且统计一致的微观结构，并具备精确的标签控制能力。FEM验证进一步表明，生成图像的物理响应与真实数据高度一致，证明了该框架作为微观结构材料设计工具的潜力。
主要关键技术方法包括：使用RGGM与QSGS生成模拟数据集；从镍基高温合金SEM图像（粉末冶金工艺）构建实验数据集；采用CcGAN架构，判别器运用硬邻近损失（HVDL）和软邻近损失（SVDL）应对稀疏连续标签；使用残差网络（ResNet-34）进行标签回归；通过均方误差（MSE）和决定系数R
2评价标签精度；利用TPCF、细长度、圆形度和Wasserstein距离评估几何与分布一致性；采用基于体素的有界元法（FEM）计算有效热导率k
eff，并与Voigt–Reuss和Hashin–Shtrikman（HS）界限比较。
研究结果按如下小标题呈现。3.1 基于深度学习的非均质微观结构生成：在纤维和颗粒数据集上训练CcGAN。初始训练出现模式崩溃和边界模糊，扩大数据集并统一输入通道后解决了问题。生成的纤维图像在细长度分布和TPCF上与测试集高度一致；颗粒图像在圆形度和TPCF上也接近真实数据，但形态多样性仍有限。3.2 对其他夹杂物形状的适用性：3.2.1 圆形夹杂物——在随机等径圆形数据集上测试，约束目标标签在合理采样区域后，模型能生成清晰边界，但仍存在连接现象，说明严格非重叠约束是数据驱动方法的挑战。3.2.2 含γ′沉淀相的SEM微观结构——采用滑动窗口裁剪后，模型成功生成与真实SEM图像特征一致的γ′沉淀相结构，标签精度依赖于样本密度。3.3 应用：有效热导率预测：使用FEM计算生成和真实微观结构的有效热导率，所有生成样本落在Voigt–Reuss界限内，多数在HS界限内；纤维结构呈各向异性，颗粒结构接近各向同性；Wasserstein距离表明物理分布一致性良好。
讨论部分指出，CcGAN生成的微观结构不仅视觉逼真，而且物理等效。纤维结构的各向异性导致有效热导率分布较宽，而颗粒结构因体积分数低于渗流阈值，热导率接近Reuss下界。模型成功捕捉了结构-性能关系。结论部分翻译如下：研究人员开发了一种基于CcGAN的图像生成器，可为四种材料类型生成具有指定特征的微观结构图像。在纤维和颗粒结构上的验证表明，生成的图像具有准确的标签和几何保真度。定量分析证实了较强的统计一致性，其中纤维结构比颗粒结构更容易学习。通过在随机圆形堆积和镍基高温合金SEM图像上的评估，验证了模型的泛化能力。通过适当的预处理，模型可外推至训练数据之外，保留关键形态特征，并通过FEM确认了物理一致性。对于需要复杂几何调控的微观结构，未来研究将引入几何约束策略，以改善严格非重叠条件下的对象分离。所提出的CcGAN框架为连续参数控制下的微观结构生成提供了一种有效的数据驱动方法，其鲁棒性、泛化能力和与实验数据的兼容性凸显了其作为材料设计与性能评估工具的潜力。
