MICROSTRUCTURE RECONSTRUCTION VIA ARTIFICIAL NEURAL NETWORKS: A COMBINATION OF CAUSAL AND NON-CAUSAL APPROACH

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F22%3A00359225" target="_blank" >RIV/68407700:21110/22:00359225 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.14311/APP.2022.34.0032" target="_blank" >https://doi.org/10.14311/APP.2022.34.0032</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.14311/APP.2022.34.0032" target="_blank" >10.14311/APP.2022.34.0032</a>

Jazyk výsledku

angličtina

Název v původním jazyce

MICROSTRUCTURE RECONSTRUCTION VIA ARTIFICIAL NEURAL NETWORKS: A COMBINATION OF CAUSAL AND NON-CAUSAL APPROACH

Popis výsledku v původním jazyce

We investigate the applicability of artificial neural networks (ANNs) in reconstructing a sample image of a sponge-like microstructure. We propose to reconstruct the image by predicting the phase of the current pixel based on its causal neighbourhood, and subsequently, use a non-causal ANN model to smooth out the reconstructed image as a form of post-processing. We also consider the impacts of different configurations of the ANN model (e.g., the number of densely connected layers, the number of neurons in each layer, the size of both the causal and non-causal neighbourhood) on the models’ predictive abilities quantified by the discrepancy between the spatial statistics of the referenceand the reconstructed sample.

Název v anglickém jazyce

MICROSTRUCTURE RECONSTRUCTION VIA ARTIFICIAL NEURAL NETWORKS: A COMBINATION OF CAUSAL AND NON-CAUSAL APPROACH

Popis výsledku anglicky

We investigate the applicability of artificial neural networks (ANNs) in reconstructing a sample image of a sponge-like microstructure. We propose to reconstruct the image by predicting the phase of the current pixel based on its causal neighbourhood, and subsequently, use a non-causal ANN model to smooth out the reconstructed image as a form of post-processing. We also consider the impacts of different configurations of the ANN model (e.g., the number of densely connected layers, the number of neurons in each layer, the size of both the causal and non-causal neighbourhood) on the models’ predictive abilities quantified by the discrepancy between the spatial statistics of the referenceand the reconstructed sample.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20505 - Composites (including laminates, reinforced plastics, cermets, combined natural and synthetic fibre fabrics; filled composites)

Projekt

<a href="/cs/project/GX19-26143X" target="_blank" >GX19-26143X: Neperiodické materiály vykazující strukturované deformace: Modulární návrh a výroba</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

NMM 2021 Nano & Macro Mechanics

ISBN

978-80-01-06976-9

ISSN

—

e-ISSN

2336-5382

Počet stran výsledku

6

Strana od-do

32-37

Název nakladatele

České vysoké učení technické v Praze

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

16. 9. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—