TU Darmstadt / ULB / TUbiblio

Data-driven Analysis of Microstructure-Property Relation in Functional Materials

Lin, Binbin (2023)
Data-driven Analysis of Microstructure-Property Relation in Functional Materials.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024475
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

The interplay between structure and property is a fundamental research topic in materials science and engineering. Materials possess diverse microstructures, and effectively characterizing, representing, and correlating them with properties poses significant challenges. As a result, the understanding of the microstructure-property relation relies primarily on empirical approaches, which limits its application in materials optimization and design. However, the emergence of machine learning and data science methods in recent years has provided powerful tools with immense potential to advance materials research and design principles. These approaches offer promising opportunities to develop materials that meet future needs and have the capability to revolutionize traditional methods of materials research.

This thesis focuses on the application of machine learning techniques to explore the relationships between microstructure and properties. Three prototype microstructural systems are studied: nanowire structure in lithium-ion cathode material, fibrous network structure in paper material, and grain/phase structure in dual-phase steel. The present work investigates different forms of microstructure representation across multiple microstructure levels. These include the use of deep neural networks to derive geometric descriptors to characterize nanowire morphology based on particle-level microscopy images, the derivation of descriptors from the complex fibrous network structure of paper materials at the network level, and the use of image-based latent features at the microstructure domain level for dual-phase steel.

The material properties considered in this work are electrochemical properties obtained from experimental assessments, as in the case of battery cathode material, or from sound physical simulation data generated by sophisticated material models and simulations, as demonstrated for paper material and dual-phase steel. This thesis convincingly demonstrates that the use of machine learning-based techniques enables effective microstructural characterization, extraction of microstructural features, rapid prediction of material response, and ultimately the establishment of microstructure-property relations to facilitate improved material optimization and design.

Typ des Eintrags: Dissertation
Erschienen: 2023
Autor(en): Lin, Binbin
Art des Eintrags: Erstveröffentlichung
Titel: Data-driven Analysis of Microstructure-Property Relation in Functional Materials
Sprache: Englisch
Referenten: Xu, Prof. Bai-Xiang ; Banerjee, Prof. Sarbajit
Publikationsjahr: 25 September 2023
Ort: Darmstadt
Kollation: VIII, 185 Seiten
Datum der mündlichen Prüfung: 17 Juli 2023
DOI: 10.26083/tuprints-00024475
URL / URN: https://tuprints.ulb.tu-darmstadt.de/24475
Kurzbeschreibung (Abstract):

The interplay between structure and property is a fundamental research topic in materials science and engineering. Materials possess diverse microstructures, and effectively characterizing, representing, and correlating them with properties poses significant challenges. As a result, the understanding of the microstructure-property relation relies primarily on empirical approaches, which limits its application in materials optimization and design. However, the emergence of machine learning and data science methods in recent years has provided powerful tools with immense potential to advance materials research and design principles. These approaches offer promising opportunities to develop materials that meet future needs and have the capability to revolutionize traditional methods of materials research.

This thesis focuses on the application of machine learning techniques to explore the relationships between microstructure and properties. Three prototype microstructural systems are studied: nanowire structure in lithium-ion cathode material, fibrous network structure in paper material, and grain/phase structure in dual-phase steel. The present work investigates different forms of microstructure representation across multiple microstructure levels. These include the use of deep neural networks to derive geometric descriptors to characterize nanowire morphology based on particle-level microscopy images, the derivation of descriptors from the complex fibrous network structure of paper materials at the network level, and the use of image-based latent features at the microstructure domain level for dual-phase steel.

The material properties considered in this work are electrochemical properties obtained from experimental assessments, as in the case of battery cathode material, or from sound physical simulation data generated by sophisticated material models and simulations, as demonstrated for paper material and dual-phase steel. This thesis convincingly demonstrates that the use of machine learning-based techniques enables effective microstructural characterization, extraction of microstructural features, rapid prediction of material response, and ultimately the establishment of microstructure-property relations to facilitate improved material optimization and design.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Die Wechselwirkung zwischen Struktur und Eigenschaften ist ein grundlegendes Forschungsthema in der Materialwissenschaft und Werkstofftechnik. Werkstoffe weisen unterschiedliche Mikrostrukturen auf, deren Charakterisierung, effektive Darstellung, und Korrelation mit den Eigenschaften eine große Herausforderung darstellt. Daher beruht das Verständnis der Wechselwirkung zwischen Mikrostruktur und Eigenschaften hauptsächlich auf empirischen Ansätzen, was die Anwendung bei der Optimierung und Konstruktion von Werkstoffen einschränkt. Das Aufkommen von Methoden des maschinellen Lernens und der Datenwissenschaft in den letzten Jahren hat jedoch leistungsstarke Werkzeuge mit einem enormen Potenzial für die Weiterentwicklung der Materialforschung und der Konstruktionsprinzipien hervorgebracht. Diese Ansätze bieten vielversprechende Möglichkeiten für die Entwicklung von Werkstoffen, die den Anforderungen der Zukunft gerecht werden, und haben das Potenzial, die traditionellen Methoden der Materialforschung zu revolutionieren.

Diese Arbeit konzentriert sich auf die Anwendung von Techniken des maschinellen Lernens zur Erforschung der Beziehungen zwischen Mikrostruktur und Eigenschaften. Drei prototypische mikrostrukturelle Systeme werden untersucht: Nanodrahtstruktur in Lithium-Ionen-Kathodenmaterial, faserige Netzwerkstruktur in Papiermaterial und Korn/Phasenstruktur in Dualphasenstahl. In der vorliegenden Arbeit werden verschiedene Formen der Mikrostrukturdarstellung über mehrere Mikrostrukturebenen hinweg untersucht. Dazu gehören die Verwendung von tiefen neuronalen Netzen zur Ableitung geometrischer Deskriptoren zur Charakterisierung der Nanodrahtmorphologie auf der Grundlage von Mikroskopiebildern auf Partikelebene, die Ableitung von Deskriptoren aus der komplexen faserigen Netzwerkstruktur von Papiermaterialien auf der Netzwerkebene und die Verwendung von bildbasierten latenten Merkmalen auf der Ebene der Mikrostrukturdomäne für Dualphasenstahl.

Bei den in dieser Arbeit betrachteten Materialeigenschaften handelt es sich um elektrochemische Eigenschaften, die aus experimentellen Bewertungen gewonnen werden, wie im Fall des Batteriekathodenmaterials, oder um solide physikalische Simulationsdaten, die durch fortschrittliche Materialmodelle und -simulationen generiert werden, wie für Papiermaterial und Dualphasenstahl der Fall ist. Diese Arbeit legt überzeugend dar, dass der Einsatz von auf maschinellem Lernen basierenden Techniken eine effektive mikrostrukturelle Charakterisierung, die Extraktion von mikrostrukturellen Merkmalen, eine schnelle Vorhersage der Materialreaktion und schließlich die Erstellung von Mikrostruktur-Eigenschafts-Beziehungen ermöglicht, um eine verbesserte Materialoptimierung und -gestaltung zu erreichen.

Deutsch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-244751
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 500 Naturwissenschaften und Mathematik > 500 Naturwissenschaften
500 Naturwissenschaften und Mathematik > 510 Mathematik
600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 11 Fachbereich Material- und Geowissenschaften
11 Fachbereich Material- und Geowissenschaften > Materialwissenschaft
11 Fachbereich Material- und Geowissenschaften > Materialwissenschaft > Fachgebiet Mechanik Funktionaler Materialien
Hinterlegungsdatum: 25 Sep 2023 12:03
Letzte Änderung: 26 Sep 2023 05:39
PPN:
Referenten: Xu, Prof. Bai-Xiang ; Banerjee, Prof. Sarbajit
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 17 Juli 2023
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen