鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集，並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差，補充了後者的系統。最後，通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用，最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。

Sep, 2023

通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

Oct, 2023

发展一种可扩展的几何断裂组装框架，不依赖于语义信息，并且提出了一种新的损失函数来解决断裂组装过程中的碰撞问题并提高结果的性能。

Dec, 2023

通过对断裂表面进行深度学习模型的半监督训练，实现了对材料的断裂表面分割，研究了结构相似性的影响，并且在断裂力学评估中取得了显著的成功。

Mar, 2024

通过生成对抗网络和深度变分推断来条件模拟地下体积中的蜿蜒通道，可以有效地从目标数据分布中进行采样和优化稳定化方法。

May, 2023

本文提出了 DeepMend，一种使用学习占用函数重构断裂形状的新方法，其中断裂表面的占用被建模为神经网络的潜在代码函数，根据输入断裂形状的占用样本，利用惩罚项进行推断损失，重构了修复形状。与现有方法相比，DeepMend 在精度和避免修复的非破损区域中的遗留问题方面展现了最先进的结果。

Oct, 2022

本文提出一种基于物理知识的神经网络（PINN）算法，通过最小化系统的变分能量来求解脆性断裂问题，同时对神经网络输出进行修改以满足边界条件并采用迭代学习模式。通过在四个断裂力学问题上的验证，证明了该方法相对于常规的残差 PINN 算法具有更好的准确性和相对简单鲁棒的重要优势。

Jul, 2019

我们提出了一种用于弹塑性和断裂的减维模型的混合神经网络和物理框架，并演示了其在不同材料行为模拟中的强大计算效率。

Oct, 2023

本研究介绍了 Breaking Bad 数据集，它包含来自一万个基本模型的超过一百万个被模拟的碎裂物体，并通过最新的基于物理的算法实现碎裂模拟，为几何形状理解和重新组装碎裂物体提供了新的挑战。

Oct, 2022

通过一种新的算法生成合成砂，对比实际收集的砂样数据，基于点云自编码器，通过降噪扩散算法能够生成形态、大小与训练数据一致的现实砂颗粒；确保第三方验证的前提下，附带 50,000 个合成石英砂颗粒、1,542 个同步辐射微计算机断层扫描 (F50 砂)，以及由合成石英砂颗粒组成的颗粒装置在开源仓库中公开。

Jun, 2023