产品经理|Nature子刊：3D打印金属零件新型成像检测方法，或将改变航空航天业( 七 ) 项目管理|ai

模型实现
在Python Tensorflow库中实现了EulerNet模型。使用 Keras Functional API37.在表1中报告了所有组成层的规格。
表1 欧拉网模型层规格。
目标函数
EulerNet模型的目的是最小化预测输出与地面实况EBSD方向之间的定向障碍角。在面心立方（FCC）晶体结构（I718中γ相的结构）中，可以对晶体应用24种不同的对称操作并产生等效的取向。由于这种晶体对称性，在地面实况和相当于预测方向的所有方向之间计算的24个不同角度中，迷失方向角被推导出为最小值。
训练
对于所有试样，注册了DRM和EBSD视场，以便每个反射率模式都可以与相应的参考方向相关联。没有使用数据集中的所有像素来训练和评估模型（由于属于相同颗粒的像素冗余，这将效率低下），而是从每个颗粒中选择单个反射率图案及其相关方向来形成训练集和测试集。首先使用参考文献中详述的LRC-MRM算法将微观结构分割成晶粒。然后，排除了直径小于六个像素的颗粒，对于这些颗粒， DRM和EBSD数据集之间的配准可能不准确。在所有剩余的晶粒中，根据晶粒的欧氏距离变换的最大值，选择距离任何晶界最远的像素作为训练数据点。
按照这一策略，平均包含850个数据点进行训练。训练集的大小略有不同，具体取决于交叉验证拆分。此外，使用数据增强来增加训练数据的多样性，这可以减少潜在的过度拟合。通过围绕方位角随机旋转反射信号并将反射率信号乘以从正态分布中采样的随机因子来增强训练集，平均值为1 ，标准偏差为0.2（研究人员将结果值裁剪在0-1范围内）。基于这样的假设进行了这些增强，即无论方位角的来源和反射强度的变化如何，模型都应该能够恢复正确的晶体取向，因为两种变化都不会改变反射率模式的结构。
从可训练参数的随机初始化开始，训练神经网络 100 个 epoch（一个 epoch 对应于通过训练数据集的一个完整周期）。通过搜索 10 之间的值的对数网格来调整学习速率?6和 10?2.发现导致最低误差的值为 3.1 × 10?3.有了这些参数，在配备英特尔i7-9750 CPU的商用笔记本电脑上训练EulerNet模型需要1小时32分钟。
来源：A machine learning approach to map crystal orientation by opticalmicroscopy ， npj computational materials ， doi.org/10.1038/s41524-021-00688-1
参考文献：Sofinowski K. A. Raman S. Wang X. Gaskey B. & Seita M.Layer-wise engineering of grain orientation (LEGO) in laser powder bed fusionof stainless steel 316L. Addit. Manuf. 38 101809 (2021).