Die Zukunft der Materialforschung mit KI
GeoDict-AI
KI und maschinelles Lernen sind ein zentraler Bestandteil von GeoDict. Durch die Anwendung von KI und maschinellem Lernen können Forscher und Entwickler effizienter und präziser arbeiten und letztendlich innovative Materialien schneller auf den Markt bringen. In GeoDict hilft diese Technologie unseren Kunden dabei, ihre 3D-Grauwertbilder aus Quellen wie FIB-SEM und Mikro-CT in digitale Materialrepräsentationen umzuwandeln. Darüber hinaus wird GeoDict mit leistungsstarken, vorab trainierten neuronalen Netzen ausgeliefert, die für spezifische Anwendungen entwickelt wurden z. B. für
- die Identifizierung einzelner Fasern oder Körner,
- die Trennung von Materialphasen oder
- die Verbesserung eines Grauwertbildes.
Mit GeoDict-AI bieten wir unseren Kunden eine benutzerfreundliche Lösung, mit der sie mühelos ihre eigenen maßgeschneiderten neuronalen Netze trainieren können. Diese Netze lassen sich speziell auf nahezu jede Aufgabe bei der Analyse von 3D-Bildern zuschneiden. Ein konkretes Anwendungsbeispiel ist das Erkennen von Kontaktbereichen zwischen Körnern in Materialien wie Gesteinen oder Batterieelektroden.
Die Fähigkeit von GeoDict, 3D Strukturen zu erzeugen, bietet eine ideale Lösung zur Generierung praktisch unbegrenzter Trainingsdaten für maschinelles Lernen zur Anwendung in der digitalen Materialentwicklung. Im Allgemeinen sind viele Beispieldaten erforderlich, um ein neuronales Netz zu trainieren. Das manuelle Beschriften oder Labeln von Materialien oder Objekten in 3D-Scans ist jedoch äußerst mühsam und zeitaufwendig. Daher ermöglicht es GeoDict-AI, ein neuronales Netz mithilfe künstlich erzeugter Strukturmodelle zu trainieren. Dabei kommen leistungsstarke Strukturgeneratoren wie FiberGeo für Faserstrukturen mit Binder und GrainGeo für Kornstrukturen mit Binder zum Einsatz. GeoDict-AI kann praktisch jede Struktur verarbeiten, die mit den GeoDict-Strukturgeneratoren erzeugt werden kann.
Nach dem Training kann das trainierte neuronale Netz zur Analyse von 3D-Scans realer Materialien eingesetzt werden. Dieser Ansatz spart Zeit und Ressourcen, da das Netz automatisch die erforderlichen Informationen aus den Scans extrahiert, ohne dass zusätzliche manuelle Arbeit erforderlich ist.
Wissenschaftliche Publikationen
Unleash the power of AI in GeoDict 2024
Bitte beachten Sie, dass nach der Aktivierung des Videos Daten an YouTube übermittelt werden.
Weitere Informationen
KI-Segmentierung
Gelabelte Materialien in FIB-SEM-Bildern
von Lithium-Ionen-Kathoden
* Image Segmentation Methods for FIB-SEM Images of Cathodes.
Microscopy and Microanalysis, Volume 28, Issue S1, August 01, 2022,
Pages 46–47, https://doi.org/10.1017/S143192762200109X
Verbesserung der Bildqualität mit GeoDict-AI
- Trainieren neuronaler Netzwerk mit Bildpaaren
von niedriger und hoher Qualität. - Ergebnis: Hochwertige Bilder aus Scans
von geringer Qualität. - In Arbeit: Erhöhung der räumlichen Auflösung
(Super-Resolution)
a) Scan mit niedriger Bildqualität
b) Scan mit hoher Bildqualität
c) Ergebnis aus GeoDict-AI mit niedriger Bildqualität
*Reference: Carbonate sample data by Ali I. Al-Naimi
Petroleum Engineering Research Center
KI-Faseridentifizierung
- Identifizieren einzelner Fasern im 3D-Bild eines Verbundmaterials oder Vliesstoffs
- Berechnen der
- Faserdurchmesser- und Orientierungsverteilung
- Faserlängenverteilung
- Faserkrümmung und -schlingen
a) Abbaubare ACL-Schablone
b) Einzelfasern in einem Glasfaserverbund
c) Faserlängenverteilung in einem Glasfaserverbund
* Identification and analysis of fibers in ultra-large micro-CT scans of
nonwoven textiles using deep learning. The Journal of The Textile Institute,
114(11), 1647–1657. https://doi.org/10.1080/00405000.2022.2145429
KI-Binderidentifizierung
- Unterscheidung zwischen Fasern und Binder
in einer Gasdiffusionsschicht einer Brennstoffzelle - Identifikation von Binder und Körnern in einer
Batteriekathode
a) Input: Segmentierter µCT-Scan von Fasern (weiß) +
Binder (weiß)
b) Output: Markierte Fasern (weiß) und identifiziertes
Binder (rot)
c) Identifikation von Binder und Körnern
GeoDict-AI
- Trainieren eines eigenen neuronalen Netzes
- Unbegrenztes Generieren von Trainingsdaten
mit den GeoDict-Strukturgeneratoren
Einsatzbereiche von GeoDict-AI
Die Einsatzmöglichkeiten für KI in der Materialforschung sind nahezu unbegrenzt. Hier einige Beispiele für welche mit GeoDict-AI trainierte Netze bei uns eingesetzt werden.
Identifizieren von Binder
In einem Grauwertbild kann es schwierig sein, zwischen Fasern/Körnern und Binder zu unterscheiden, sei es in der Gasdiffusionsschicht einer Brennstoffzelle oder in der Mikrostruktur einer Batterieelektrode. Mit GeoDict-AI können neuronale Netze trainiert werden, die darauf ausgelegt sind, die Binderphase innerhalb von 3D-Bildern präzise zu identifizieren. Dadurch entsteht eine genaue digitale Darstellung des Materials. Mit diesem Ansatz sind präzise Simulationen auf der Mikrostrukturebene möglich.
Die Identifizierung einzelner Fasern oder Körner (Labeln)
Bei der Analyse eines 3D-Bildes eines Vliesstoffes oder eines faserverstärkten Komposits ist es möglich, zwischen dem Fasermaterial und dem Porenraum zu unterscheiden. Allerdings ist es für klassische Algorithmen wie den Watershed-Algorithmus eine Herausforderung, ein einzelnes Voxel direkt einer bestimmten Faser zuzuordnen. In diesem Fall ermöglichen die vortrainierten neuronalen Netze in GeoDict eine präzise Identifikation einzelner Fasern, was für genaue Berechnungen von Faserdurchmesser, -ausrichtung, -krümmung und -länge notwendig ist. Mit angepassten Netzen kann man so auch einzelne Körner z.B. in einer Batterieelektrode identifizieren.
Die Trennung von Materialphasen (Segmentieren)
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 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.
Die Verbesserung von Grauwertbildern
In GeoDict kann maschinelles Lernen auch verwendet werden, um Bildmerkmale und die Bildqualität von 3D-Grauwertbildern 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.
Diese Module werden oft mit GeoDict-AI kombiniert:
| Bildverarbeitung & Bildanalyse | ImportGeo-Vol | ||||||
| Charakterisierung & Analyse | GrainFind | FiberFind | PoroDict + MatDict | ||||
| Modellierung & Design | FiberGeo | FoamGeo | GrainGeo | PaperGeo | WeaveGeo | GridGeo | PleatGeo |
| Simulation & Vorhersage | BatteryDict | ConductoDict | SatuDict | ElastoDict | FlowDict |
Welche Module für Sie am besten passen, ist abhängig von der Art Ihrer Anwendung.