行业应用

多领域应用

行业知识 工业领域 科研领域

机器学习技术改进了 X 射线材料分析

发布时间:2023-12-29 13:48:27    浏览次数:

机器学习技术改进了 X 射线材料分析(图1)

(a) HDGEBA 和 CBMA 的化学结构[引文 29]。(b) 在涂有 Al2O3 的硅基底上制备环氧树脂样品的示意图。资料来源:《先进材料科学与技术: 方法》(2023 年)。DOI: 10.1080/27660400.2023.2270529


日本理化学研究所(RIKEN)同步辐射设施 SPring-8 的研究人员及其合作者开发出了一种更快、更简单的方法来进行分割分析,这是材料科学中的一个重要过程。新方法发表在《先进材料科学与技术:方法》杂志上发表。

 

细分分析用于了解材料的精细成分。它能识别具有特定成分、结构特征或性能的不同区域(或 "区段")。这有助于评估材料对特定功能的适用性及其可能的局限性。它还可用于材料制造的质量控制,以及在分析失效材料时确定薄弱点。

 

分段分析对于同步辐射 X 射线计算机断层扫描(SR-CT)非常重要,SR-CT 类似于传统的医学 CT 扫描,但使用的是电子以接近光速在存储环中循环产生的强聚焦 X 射线。

 

研究小组已经证明,机器学习能够对折射对比 CT 进行分割分析,这对于观察相关区域密度差异较小的样品(如环氧树脂)的三维结构尤其有用。

 

第一作者 Satoru Hamamoto 说:"到目前为止,还没有关于同步辐射折射对比 CT 的通用分割分析方法的报道。研究人员通常不得不通过反复试验来进行分割分析,这给那些非专业人员带来了困难。"

 

该团队的解决方案是将生物医学领域成熟的机器学习方法与迁移学习技术相结合,对 SR-CT 的分割分析进行微调。在现有机器学习模型的基础上,大大减少了获得结果所需的训练数据量。

 

领导研究小组的 Takaki Hatsui 说:"我们已经证明,使用机器学习方法可以进行快速、准确的分割分析,而且计算成本合理,非专业人员也能达到与专家类似的准确度。"

 

研究人员进行了概念验证分析,成功检测出环氧树脂中水形成的区域。他们的成功表明,这项技术将有助于分析各种材料。

 

为了尽可能广泛和快速地推广这种分析方法,研究小组计划通过最近开始运行的 SPring-8 数据中心为外部研究人员提供分段分析服务。

 


Copyright © 2021 安徽国科仪器科技有限公司 版权所有 皖ICP备2021017680号-1