Reconstruction de microstructure de matériaux aléatoires 2D/3D via des modèles génératifs profonds basés sur la diffusion

Résumé La reconstruction de microstructure sert de fondement crucial pour établir la relation processus-structure-propriété (PSP) dans la conception des matériaux. En confrontant les limitations de l'autoencodeur variationnel et du réseau antagoniste génératif au sein des modèles génératifs, cette étude a adopté le modèle probabiliste de diffusion débruitante (DDPM) pour apprendre la distribution de probabilité des données brutes à haute dimension et a réussi à reconstruire les microstructures de divers matériaux composites, tels que les matériaux d'inclusion, les matériaux de décomposition spinodale, les matériaux en damier, les matériaux de bruit fractal, etc. La qualité de la microstructure générée a été évaluée à l'aide de mesures quantitatives telles que les fonctions de corrélation spatiale et le descripteur de Fourier. Sur cette base, cette étude a également réussi à réguler l'aléa de la microstructure et à générer des matériaux en gradient grâce à une interpolation continue dans l'espace latent en utilisant le modèle implicite de diffusion débruitante (DDIM). De plus, la reconstruction de microstructure bidimensionnelle a été étendue à un cadre tridimensionnel et a intégré la perméabilité comme une caractéristique d'encodage d'embedding. Cela permet la génération conditionnelle de microstructures tridimensionnelles pour des matériaux poreux aléatoires dans une plage de perméabilité définie. Les perméabilités de ces microstructures générées ont été validées par l'application de la méthode de Boltzmann sur réseau. Les méthodes ci-dessus offrent de nouvelles idées et références pour la conception inverse des matériaux.