比翱工程实验室丨基于人工智能预测纤维材料比翱（BIOT）特性参数的方法

本研究提出了一种使用卷积神经网络(CNN)从X射线显微计算机断层扫描(CT)图像估计纤维材料传输参数的方法。二维(2-D)微CT图像和数值获得的传输参数用于训练CNN；斯托克斯流和势流用于使用从原始CT图像中提取的几何模型以数值方式获得传输参数。然后，类似于通过堆叠二维切片图像构建纤维材料的3D图像，使用训练的CNN模型预测的每个二维图像的参数计算纤维材料的体积传输参数。CNN模型预测的纤维体积的传输参数与测量值非常吻合。此外，通过将预测和测量的传输参数应用于半现象学声音传播模型并与测量的吸声系数进行比较，计算吸声系数。研究结果证实了使用基于原始微CT图像的神经网络模型预测纤维材料运输参数的可行性。

 

纤维材料是广泛用于控制噪音的多孔材料。通常，这些材料应用于空间表面以阻挡外部噪音或控制空间的吸声系数。具体而言，纤维材料用于控制汽车、火车和飞机等车辆的内部声压级。然而，要控制使用吸声材料的机械系统的舱（室）内噪声水平，必须了解材料的精确性能指标。^1,2一般来说，用于描述纤维材料声学特性的模型可分为经验模型和半现象学模型。Delaney和Bazley提出的模型是经验模型的代表。³该模型使用单一传输参数静态流阻率来预测纤维材料的声学特性。已经提出了许多经验公式来提高模型精度或预测各种材料的声学性能。^4,5经验模型因其方便而被广泛使用；然而，它们的性能可能会随着材料的不同而降低⁶已经开发了半现象学模型来克服这种对各种材料的应用限制。Johnson等人提出了一个模型来表达声学材料中空气的复体积密度，该模型描述了粘性阻力的影响。⁷Champoux和Allard提出了一个表达声学材料中空气的复体积模量的模型，该模型描述了热传导的影响⁸这两个模型可以应用于多孔介质内的任意孔隙形状。两种模型得到的复体积密度和复体积模量已应用于Zwikker和Kosten⁹提出的圆柱管模型，以预测多孔介质的声学特性。这通常称为Johnson-Champoux-Allard (JCA)模型，它需要了解五个传输参数：孔隙率、曲折度、静态流阻率、粘性特征长度(VCL)和热特征长度(TCL)。随后，Lafarge和Pride等人修改JCA模型以提高低频预测精度。^10,11在Lafarge等人提出的模型中，¹⁰除了JCA模型所需的五个参数外，还包括静态热导率。在Pride等人建议的模型中，¹¹除了五个参数之外，还包括静态热渗透率、静态粘性曲折度和静态热曲折度。

 

由于各种材料经验模型的准确性难以保证，因此一般采JCA、JCA-Lafarge和JCA-Pride-Lafarge模型来预测纤维材料的声学性能。这三个模型仅考虑多孔介质中的空气噪声，并假设材料的骨架是静止的。因此，构建模型所需的所有传输参数都代表了多孔介质内部的流体特性。传统上，JCA模型中所需的五个参数可以使用组织良好的测量方法与仪器设备获得^12-16。已经进行了大量研究来预测材料的传输参数。特别是，利用多孔介质微观结构的几何信息通过数值分析预测传输参数的研究已经进行了几十年。Tarnow提出了一个显式方程，通过使用Voronoi多边形在二维(2-D)平面上随机排列具有单个半径的纤维横截面来表达纤维材料的静态流阻率。^17,18在随机排列的纤维的横向方向上使用斯托克斯流动分析计算材料。随后Hirosawa和Nakagawa提出了一种使用斯托克斯流分析和势流分析获得所有五个传输参数的方法，该方法基于在二维平面中随机排列的200股纤维。¹⁹作为对三维多孔介质微观结构的研究，关于开孔泡沫的研究已经在积极进行。Perrot等人提出了用于开孔泡沫的周期性晶胞，以通过数值分析预测传输参数。^20-22Park等人介绍了一种使用周期性晶胞分析优化聚氨酯泡沫吸声的方法。^23,24最后Luu等人提出了一种通过基于扫描电子显微镜(SEM)成像的纤维重建技术获取传输参数的方法，有助于对纤维材料的三维(3-D)微观结构的研究。^25,26这些方法有一个共同的目标是从多孔介质的微观结构构建几何信息，并使用它通过数值分析预测传输参数。Lieblappen等人使用另一种方法。将雪视为天然多孔介质，并使用微计算机断层扫描(CT)成像和超声波预测多孔介质的孔隙率和曲折度。²⁷Lee等人提出了使用显微CT成像将微观结构特性与传输参数相关联的半现象学和经验模型。²⁸然而，由于这些模型是使用聚氨酯泡沫开发的，因此它们无法预测纤维材料的传输参数。

 

在以上前期研究的基础上，研究团队提出了一种使用人工智能预测纤维材料传输参数的方法。研究涵盖了JCA模型所需的五个基本传输参数。此前，Lähivaara提出了一种使用深度卷积神经网络(CNN)的方法，该方法使用超声波根据多孔介质内部的波场模式来估计材料的孔隙率和曲折度。²⁹在这项工作中，团队从容易获得的图像中采用了一种方法信息，使用3-D X射线显微CT成像来获得真实纤维材料微观结构的几何信息；3-D CT成像允许通过堆叠多个2-D切片图像来重建体绘制图像。基于这一概念，对每张CT切片图像提取纤维的微观结构几何形状，并在二维上进行数值分析以预测每张切片图像的传输参数。团队对稳定的不可压缩斯托克斯流采用有限元方法来获得静态流阻率^30,31，对势流采用边界元方法来获得曲折度和粘性特征长度。^32-34孔隙率和热特征长度直接从纤维几何结构中获得。可以将纤维材料的切片图像进行叠加以重建体积结构，然后可以使用每个纤维几何切片的值来计算体积的传输参数。在这个过程中，在垂直于二维图像平面的方向上的流体流动的影响被忽略了。此外，我们将CNNs^35,36用于二维微CT原始图像。每个传输参数的CNN模型都是基于原始切片CT图像的大型数据集和从数值分析中获得的传输参数进行训练的。使用经过训练的CNN获得的传输参数值与从3-D模型分析获得的参数值进行比较，并使用常规测量方法在宏观尺度上测量以验证所提出的方法。

 
图文快览图1：600 GSM PET毡的 (a)等距视图、(b)顶视图和 (c)侧视图。 (a)的灰色方块与显微CT图像平面重合。

图2：(a) PET毛毡的Micro-CT原始图像，(b)二进制阈值图像，以及(c)使用DB-SCAN聚类的活动点。
图3：(a)聚类质心连接，(b)从3-D纤维模型重建2-D几何模型，以及(c)2-D几何模型和显微CT图像的叠加图像。
图4：使用几何模型构建的二维网格模型。图中方框为势流分析视觉参考区域，用于获得图5中的曲折度和粘性特征长度。
图5：(a)图4方框内形成的无粘性流流线，(b)图4方框中形成的无粘性流速度场。
图6：使用斯托克斯流从二维几何模型分析压力场。 表1：三个测试PET样品的测量传输参数。 
表2：开发的CNN模型架构的详细层信息。
图7：用于静态流阻率的CNN模型的六层（三卷积层、三全连接层）架构。图8：根据训练数据集的数量，静态流阻的预测误差趋势。
图9：使用每个CNN模型预测的1500张测试图像的传输参数以及使用数值分析获得的值。
图10：使用对应于构成纤维体积的每个切片图像的CNN模型预测的传输参数。 表3：根据取向角重建纤维模型的3-D和2-D数值分析之间的误差。
图11：测量和预测传输参数的比较：(a) 孔隙率，(b) 曲折度，(c) 静态流阻率，(d) 热特征长度和(e) 粘性特征长度。表4：使用每个测试PET的三个样本的CNN预测的传输参数和测量值平均值的误差。
图12：(a)用于测试PET B #1的3-D几何模型，(b)从势流分析中获得的流线，以及 (c)从斯托克斯流分析中获得的压力场。表5：用于测试PET的3-D数值分析和CNN模型分析之间估计的传输参数和求解时间的比较。
图13：测试PET的法向入射吸声系数。 表6：使用单纤维链模型的二维切片几何获得的传输参数的误差。表7：使用3-D传热分析获得的测试PET的静态热导率。
图14：测试PET的热扩散场(𝒖) (×10−10m2)。(a) PET A #3、(b) PET B #1 和 (c) PET C #2。 

总结

在这项研究中，提出了一种使用显微CT图像和CNN预测纤维材料传输参数的方法。首先，开发了训练数据。使用DB-SCAN算法从微CT图像中获取传输参数来表征图像中分布的纤维的二维几何形状。使用以显微CT图像为特征的二维几何模型进行数值分析，以计算五个传输参数。在五个传输参数中，孔隙率和热特征是通过二维几何模型直接得到的，曲折度和粘性特征长度是从势流分析的结果中得到的，静态流阻率是从斯托克斯流分析的结果中得到的。使用二维切片图像和与图像对应的传输参数开发了六个CNN模型。使用这些数据训练CNN模型后，使用包含不同纤维材料的2-D CT图像的测试数据集来验证CNN。通过比较纤维体积的预测传输参数与使用传统方法测量的值来评估开发的CNN模型的预测精度。测量值和预测值显示出良好的相关性。结果表明，在有限的定向角范围内，仅使用二维微CT图像就可以通过CNN预测纤维材料的传输参数。

应注意本研究的一些局限性。本研究涉及一种获取二维图像的传输参数并通过堆叠图像来预测体积参数的方法。在这个过程中，材料内部垂直于图像平面方向的流体流动被忽略。虽然这种方法反映了3-D中纤维几何形状的变化，但只有当纤维垂直于纤维方向上的入射波的比率较高时，才能获得有意义的结果。适用于方向角小𝛺_ZZ的玻璃棉或纤维毡等具有方向性的材料。还应注意一个限制。除了本文涵盖的五个参数外，一个广泛使用的参数是静态热导率。JCA–Lafarge和JCA–Pride–Lafarge模型需要此参数。通过求解泊松问题，可以通过传热分析获得静态热渗透率。^22,25由于在流体流动分析中存在宏观单向流动，观察到即使流动在可接受的误差在有限的条件下，体积内的一个方向被忽略了。相比之下，在传热分析的情况下，需要考虑分布在体积中的纤维几何形状的各个方向的传热，以便估计准确的参数。因此，使用本研究中介绍的方法很难估计静态热导率。然而，一旦获得显微CT图像，就可以构建3-D几何模型。此外，泊松问题的数值分析不需要像斯托克斯问题那样为3-D模型花费很长时间的求解时间和计算资源。为了提供与此相关的更多信息，我们将在附录中简要介绍获取静态热导率的过程，并附上从所有测试PET的3-D模型中获得的静态热导率。最后，现阶段由于直接利用图像获取传输参数的方法的性质，难以从宏观角度确定纤维的几何特征与参数之间的关系。这将在不久的将来作为使用本研究开发的模型的后续研究来进行。

参考文献

 

原文来源: The Journal of the Acoustical Society of America 149, 2813 (2021); https://doi.org/10.1121/10.0004768，Convolutional neural networks for estimating transport parameters of fibrous materials based on micro-computerized to mography images，Ju Hyun Jeon, Elias Chemali, Sung Soo Yang, andYeon June Kang，Advanced Automotive Research Center, School of Mechanical Engineering, Seoul National University, Seoul, Republic of Korea

 通过阅读原文了解此项研究成果。多孔材料与人工结构物理特性表征与验证技术领先者

● 比翱工程实验室丨多孔材料与人工结构物理特性表征与验证平台
● 比翱工程实验室丨非均质微穿孔板吸声性能及其预测的基础研究● 比翱工程实验室丨聚合物基复合材料的阻尼与吸声性能：综述
● 比翱教程丨扩散场吸声和TL测量与NOVA相结合用于材料优化设计
● 比翱九大参数对标测试丨车用多孔弹性材料Biot参数的实验室间表征● 比翱工程实验室丨声学超构材料中涉及的非常规现象的分类
● 方圆之间，即测即得：支持声学超构材料创新设计与性能测定的新利器● 比翱观察丨人工智能加速拓扑优化超材料的设计
免责声明：部分资料来源网络，转载目的在于传递信息及分享，并不意味赞同其观点或其真实性，也不构成其他建议。仅提供交流平台，不为其版权负责。如涉及侵权，请联系我们及时删除。