基于卷积神经网络的水泥元素分布预测

### 基于卷积神经网络的水泥元素分布预测 #### 1. 引言 水泥作为全球应用最广泛的建筑材料，对建筑项目的质量有着至关重要的影响。为了研究高性能水泥，全球众多团队都在探索影响水泥性能的因素。近年来，计算机建模辅助分析逐渐流行。在研究过程中，研究人员通常会使用扫描电子显微镜（SEM）获取水泥样品的二次电子图像、背散射电子（BSE）图像和能量色散谱（EDS）图像进行分析。虽然SEM能够获得精确的高分辨率图像，但设备价格昂贵，许多科研机构无力购买，即使可以租赁，也会耗费大量的时间和经济成本，给研究人员带来了困难。 因此，研究人员希望采用其他技术方法替代扫描电子显微镜来实现相同的功能。许多人使用蒙特卡罗方法模拟扫描电子显微镜中电子束在不同实验条件下的随机衍射，但该方法只能模拟简单的SEM图像。还有一些工作从物理角度基于电子 - 固体相互作用预测SEM图像，但仅限于预测二次电子图像或背散射图像，而EDS预测是一个重要且困难的问题，目前尚无很好的解决方法。 为了解决这一难题，本文采用卷积神经网络来解决该问题。该模型以水泥的BSE图像作为输入，通过卷积神经网络提取BSE图像的特征。 卷积神经网络适用于当前问题的原因如下： - **内部关联**：BSE和EDS图像是在SEM中安装不同探头形成的不同图像。BSE图像可观察水泥表面的微观形态，EDS图像可观察水泥表面元素的分布，二者存在内在联系。由于元素分布不同，水泥在不同位置呈现出不同的微观特征，而卷积神经网络擅长发现这种关系，因此是解决元素分布预测问题的良好方法。 - **诸多优势**： - **强大的抽象编码和学习能力**：能够获取数据中非常复杂的底层模式，对复杂的语音或图像进行编码，并在实践中表现出较高的预测准确性。 - **广泛的覆盖性和良好的适应性**：神经网络具有多层和较宽的宽度，理论上可以拟合任何函数，解决非常复杂的问题。 - **良好的可移植性**：经过充分训练的神经网络在未见过的数据上仍能取得良好的效果。 - **减少特征工程需求**：与机器学习相比，深度学习中神经网络的隐藏层显著减少了对特征工程的需求。 - **易于更新模型**：在添加新数据时，容易对模型进行更新。 基于深度学习的上述优势及其在计算机视觉领域的出色表现，本文设计了一个卷积神经网络，通过下采样、上采样以及深层和浅层特征图之间的连接来提取细粒度信息，解决了普通神经网络只能提取全局信息的缺点。该方法以水泥为实验对象，利用设计的网络对水泥样品中的元素分布进行推断和分析。 #### 2. 相关工作 ##### 2.1 SEM预测 通过研究电子 - 固体相互作用，采用蒙特卡罗方法对SEM进行模拟。但这需要满足两个条件：一是对固体中电子散射和级联过程的理论描述；二是对样品几何边界的合理描述。CEMHYD3D模型所需的水泥基材料SEM - X射线图像的主要数据是各相的表面积分数和自相关函数，有研究通过神经网络预测该模型所需相的表面积分数和自相关函数。Johnsen提出了一种方法，开发了蒙特卡罗模拟程序MCSEM来模拟任何样品结构（如晶圆或光掩模的布局结构）的扫描电子显微镜图像形成，但未提出预测EDS的方法。由于本文的样品是水泥，获取SEM图像需要特殊的水泥样品制备和抛光技术。 ##### 2.2 卷积神经网络 卷积神经网络是一种具有卷积结构的深度神经网络。Lecun提出的Lenet通常被认为是第一个卷积神经网络。2012年，Alexnet赢得了Imagenet竞赛，在网络中使用局部响应归一化来降低错误率，并使用dropout防止过拟合。理论上，神经网络越深，表达能力越强，效果越好。因此，2014年提出了VGG网络，它在当时是一个非常深的网络，达到了19层。该网络创造性地使用小卷积核代替大卷积核，并引入了1×1卷积核，大大减少了参数数量，提高了网络性能。然而，随着网络越来越深，人们发现神经网络存在退化问题，即网络变深时拟合能力下降。为了解决这个问题，2015年Kaiming提出了著名的Resnet网络，该网络采用残差结构，将网络需要学习的函数从H(x)变为F(x)，且H(x) = F(x) + x，大大提高了深度神经网络的表达能力，使卷积神经网络进入了一个新的时代。2016年提出的DenseNet网络，不从网络的深度或宽度入手，而是重用每一层的特征，缓解了梯度消失问题，加强了特征在网络中的传递。 随着大规模模型的发展，过多的参数和庞大的模型结构极大地限制了卷积神经网络的实际应用，人们开始关注模型的轻量化。MobileNet是经典的轻量级神经网络模型，其核心思想是深度可分离卷积，通过两个超参数控制网络的宽度和输入图像的分辨率，从而控制模型的大小。2017年，ShuffleNet在深度可分离卷积的基础上结合分组卷积，在残差块的基础上设计网络结构，减少了网络的计算量并保持了高性能。EfficientNet采用AutoML方法自适应调整模型的深度、宽度和分辨率，取得了良