基于WGAN的多孔材料三维重建

为探索多孔材料在孔径尺度下的相关性质,充分了解材料内部孔隙结构,采用深度学习的方法近似多孔材料的真实概率分布,并利用随机数进行三维重建。首先,对已有的二值图像进行分割以获得大小合适、数量充足的数据集。然后,将WGAN(Wasserstein Generative Adversarial Networks)改造成能处理三维数据的生成对抗模型,并利用生成模型和服从高斯正态分布的随机噪声生成数据。最后,通过生成数据和真实数据对WGAN进行训练。通过生成图像计算两点相关函数、 Minkowski泛函和渗透率,考察孔隙率、比表面积与函数曲线的拟合情况等相关参数,并采用不同数据集进行测试。结果表明,基于WGAN的三维重建模型在不同的输入条件下均具有较高准确性,同时该算法还具有低时间复杂度的特性,而且生成模型可以存储,并能得到重复利用。