処方された拡散性を伴う異方性スピノドイド材料の逆設計

機能材料の3次元微細構造は、多孔質材料の質量輸送特性のように、その効果的な特性を決定します。したがって、それに応じて微細構造を調整することにより、プロパティを調整できることが望ましいです。この作業では、スピノドイドのクラス、つまり、ガウスランダムフィールドに基づいた、調整可能な異方性を持つスピノーダル分解様構造を研究します。これらは、二極性多孔質材料の現実的でありながら計算効率の良いモデルです。3方向すべてで効果的な拡散率を予測するために、畳み込みニューラルネットワークを使用します。逆問題のおおよそのベイジアン計算フレームワークにニューラルネットワークの予測を組み込むことにより、3方向すべてで規定された拡散率を備えた計算効率的な方法で微細構造を設計できることを実証します。

The three-dimensional microstructure of functional materials determines its effective properties, like the mass transport properties of a porous material. Hence, it is desirable to be able to tune the properties by tuning the microstructure accordingly. In this work, we study a class of spinodoid i.e. spinodal decomposition-like structures with tunable anisotropy, based on Gaussian random fields. These are realistic yet computationally efficient models for bicontinuous porous materials. We use a convolutional neural network for predicting effective diffusivity in all three directions. We demonstrate that by incorporating the predictions of the neural network in an approximate Bayesian computation framework for inverse problems, we can in a computationally efficient manner design microstructures with prescribed diffusivity in all three directions.