Künstliche Intelligenz und Maschinelles Lernen

Künstliche Intelligenz, insbesondere Deep-Learning-Techniken, haben sich als äußerst effektiv bei der Segmentierung von Bildern erwiesen. Innerhalb von GeoDict hilft diese Technologie  unseren Kunden dabei, ihre 3D-Grauwertbilder aus Quellen wie FIB-SEM und Mikro-CT in digitale Materialrepräsentationen in ImportGeo-Vol umzuwandeln. Im Wesentlichen dient KI als leistungsstarkes Werkzeug zur präzisen Definition der Materialphase, die jedem Voxel zugeordnet ist, und trägt so zur genauen Charakterisierung komplexer Strukturen innerhalb der Bilder bei.

In GeoDict kann maschinelles Lernen auch verwendet werden, um Bildmerkmale und die Bildqualität von 3D-Grauwertbildern im Modul ImportGeo-Vol zu verbessern. Diese Fähigkeit findet Anwendung in Szenarien, in denen hochwertige Ergebnisse erwünscht sind, aber durch Faktoren wie kurze Scanzeiten oder anfänglich minderwertige Bilder eingeschränkt sind.

Darüber hinaus arbeiten wir an Super-Resolution-Techniken, die eingesetzt werden können, um Bilddetails und -klarheit über die inhärenten Auflösungsgrenzen hinaus zu optimieren.

Bei der Analyse eines segmentierten 3D-Bildes mit einem faserigen oder nicht gewebten Material ist es möglich, zwischen dem Fasermaterial und dem Porenraum zu unterscheiden. Allerdings ist es für herkömmliche Algorithmen, wie diejenigen, die auf Watershed-Algorithmus basieren, eine Herausforderung, ein einzelnes Voxel direkt einer bestimmten Faser zuzuordnen. In diesem Fall ermöglichen die vortrainierten neuronalen Netze in GeoDict eine genaue Identifikation einzelner Fasern, die für eine präzise Berechnungen von Faserdurchmesser, -ausrichtung, -krümmung und -länge notwendig ist. Diese Einzelfaseridentifikation basiert auf maschinellem Lernen und steht im Modul FiberFind zur Verfügung.

In einem Grauwertbild kann es schwierig sein, zwischen Fasern und Bindemitteln zu unterscheiden, sei es in der Gasdiffusionsschicht einer Brennstoffzelle oder in der Mikrostruktur einer Batterieelektrode. GeoDict ist mit vortrainierten neuronalen Netzen ausgestattet, die darauf ausgelegt sind, die Bindemittelphase innerhalb von 3D-Bildern genau zu identifizieren. Dadurch entsteht eine exakte digitale Darstellung des Materials, die die Integration der unterschiedlichen Eigenschaften einzelner Bestandteile ermöglicht. Mit diesem Ansatz ist eine präzise Simulationen auf der Mikrostrukturebene möglich. Diese Netze sind in den Modulen FiberFind und GrainFind verfügbar.

GeoDict ist mit leistungsstarken, vorab trainierten neuronalen Netzen ausgestattet, die für spezifische Anwendungen entwickelt wurden.

Mit GeoDict-AI bieten wir unseren Kunden eine benutzerfreundliche Lösung, mit der sie ihre eigenen maßgeschneiderten neuronalen Netz mühelos trainieren können. Diese Netze können fein abgestimmt werden, um verschiedene Aufgaben bei der Analyse von 3D-Bildern zu lösen, wie etwa das Erkennen von Kontaktbereichen zwischen Körnern in Materialien wie Gesteinen oder Batterieelektroden.

Darüber hinaus dient die Fähigkeit von GeoDict, Strukturen zu erzeugen, als ideale Lösung, um praktisch unbegrenzte Mengen an Trainingsdaten für maschinelles Lernen zur Förderung der digitalen Materialentwicklung zu generieren.