Araştırma Makalesi

POROZİTE ANALİZİNE DERİN ÖĞRENME YAKLAŞIMI: U-NET İLE DİNAMİK EŞİKLEME

Cilt: 27 Sayı: 3 3 Eylül 2024
PDF İndir
EN TR

POROZİTE ANALİZİNE DERİN ÖĞRENME YAKLAŞIMI: U-NET İLE DİNAMİK EŞİKLEME

Öz

Gözenekli malzemelerin porozite değerinin belirlenmesinde birçok fiziksel yöntem kullanılmaktadır ve bu yöntemler genellikle maliyetli cihazlar marifetiyle uygulanmaktadır. Ayrıca malzemelerde farklı seviyelerde (mikro, mezo ve makro) gözeneklilik bulunması kullanılacak yöntem seçimini de etkilemektedir. Bunun yanında görüntü işleme yöntemleri kullanılarak da porozite değeri hesaplanabilmekte, böylece hem zaman hem de maliyet tasarrufu sağlanabilmektedir. Bu çalışmada görüntü işleme tekniğindeki eşik belirleme aşamasında ImageJ programı kullanılarak sayısal porozitesi eşikli görüntü olarak görüntü verisine aktarılmıştır. Oluşturulan eşikli etiket verileri ile girdi SEM görüntüleri eşlenmiş ve oluşturulan veriseti veri artırma teknikleri kullanılarak genişletilmiştir. Çalışmada evrişimli sinir ağlarının özelleşmiş bir versiyonu olan U-Net mimarisi kullanılmış ve U-Net mimarisi, mikroskop görüntülerini segmentlere ayırarak gözenekli bölgeleri belirlemiş ve bu segmentlerin eşiklenmiş görüntülerine dayalı olarak gözeneklilik değerleri hesaplanmıştır. Uygulamada literatürden elde edilen gözenekli malzemelerin SEM görüntüleri kullanılmış, etiket görüntüleri olarak ise Arşimet prensibindeki porozite değerlerine göre gözenekli malzemenin ikili çıktıları manuel olarak eşiklenerek kaydedilmiştir. Çalışma sonucunda genel olarak fiziki ölçümlerle korelasyon sağlamış ve derin öğrenmeden faydalanılan dinamik eşikleme sayesinde klasik görüntü işleme yöntemlerine göre daha başarılı sonuçlar elde edilmiştir.

Anahtar Kelimeler

Kaynakça

  1. Ahn, J., Jung, J., Kim, S., & Han, S.-I. (2014). X-ray image analysis of porosity of pervious concretes. GEOMATE Journal, 6(11), 796-799.
  2. Aly, A. F., Agameia, A., Eldesouky, A. S., & Sharaf, M. A. (2011). Scaffold development and characterization using CAD system. Am. J. Biomed. Sci, 3(4), 268-277.
  3. Arena, E., Rueden, C., Hiner, M., Wang, S., Yuan, M., & Eliceiri, K. (2017). Quantitating the cell: turning images into numbers with ImageJ, Wiley Interdiscip. Rev. Dev. Biol., 6.
  4. Barea, R., Osendi, M. I., Ferreira, J. M., & Miranzo, P. (2005). Thermal conductivity of highly porous mullite material. Acta materialia, 53(11), 3313-3318.
  5. Barmala, M., Moheb, A., & Emadi, R. (2009). Applying Taguchi method for optimization of the synthesis condition of nano-porous alumina membrane by slip casting method. Journal of Alloys and Compounds, 485(1-2), 778-782.
  6. Buckman, J., Bankole, S. A., Zihms, S., Lewis, H., Couples, G., & Corbett, P. W. (2017). Quantifying porosity through automated image collection and batch image processing: case study of three carbonates and an aragonite cemented sandstone. Geosciences, 7(3), 70.
  7. Cardoso, V. G., da Silva Barros, E. N., & Barbosa, J. A. (2020). Porosity features extraction based on image segmentation technique applying k-means clustering algorithm. Rio Oil & Gas.
  8. Castilho, M., Gouveia, B., Pires, I., Rodrigues, J., & Pereira, M. (2015). The role of shell/core saturation level on the accuracy and mechanical characteristics of porous calcium phosphate models produced by 3Dprinting. Rapid Prototyping Journal, 21(1), 43-55.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Görüntü İşleme , Derin Öğrenme , Malzeme Bilimi ve Teknolojileri , Hesaplamalı Malzeme Bilimleri

Bölüm

Araştırma Makalesi

Yayımlanma Tarihi

3 Eylül 2024

Gönderilme Tarihi

23 Ocak 2024

Kabul Tarihi

28 Ağustos 2024

Yayımlandığı Sayı

Yıl 2024 Cilt: 27 Sayı: 3

Kaynak Göster

APA
Ervural, S., Ertuş, E. B., & Ceran, H. F. (2024). POROZİTE ANALİZİNE DERİN ÖĞRENME YAKLAŞIMI: U-NET İLE DİNAMİK EŞİKLEME. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(3), 1069-1077. https://doi.org/10.17780/ksujes.1422819