Deng_et_al_spinodoid_dataset.csv, Deng_et_al_bones_dataset.csv

这些文件包含了用于训练和测试机器学习模型的各向异性弹性刚度数据，以及用于逆向设计基准的骨样本的各向异性弹性刚度数据。

These files contain anisotropic elastic stiffness data for training and testing machine learning models, as well as anisotropic elastic stiffness data of bone samples for inverse design benchmarking.

原始信息汇总

数据集概述

数据集名称

• dataset-spinodoids-and-bones-elastic-stiffness

数据集文件描述

1. Deng_et_al_spinodoid_dataset.csv

   • 内容: 包含spinodoids的均质化各向异性弹性刚度数据，用于训练和测试机器学习模型。
   • 列描述:
     • volFrac: Spinodoid的相对密度或体积分数 $ ho$。
     • thetaX: Spinodoid设计参数 $ heta_1$。
     • thetaY: Spinodoid设计参数 $ heta_2$。
     • thetaZ: Spinodoid设计参数 $ heta_3$。
     • stiffness$k$: 对应于设计参数 $( ho, heta_1, heta_2, heta_3)$的均质化各向异性刚度组件。$k$表示Voigt记法中6x6刚度矩阵($C$)的零索引序列化索引。

2. Deng_et_al_bones_dataset.csv

   • 内容: 包含骨样本的均质化各向异性弹性刚度数据，用于机器学习模型的逆向设计基准。
   • 列描述:
     • name: 骨样本名称。
     • volFrac: 骨的相对密度或体积分数。
     • alpha_radians, beta_radians, gamma_radians: 用于获取骨样本各向同性近似的旋转角度。
     • C$k$, Corth$k$: 骨样本的均质化各向异性刚度组件。
     • contrast: 基础材料的杨氏模量 $E_s$。
     • spin_volFrac, spin_thetaX, spin_thetaY, spin_thetaZ: 通过逆向设计匹配骨刚度的spinodoid设计参数。
     • spin_Corth$k$, spin_C$k$: 逆向设计spinodoid样本的均质化各向异性刚度组件。
     • spin_Rinv$ij$: 从spin_Corth坐标框架到spin_C坐标框架的3D旋转矩阵。

3. Deng_et_al_bone_image_data

   • 内容: 包含骨样本的3D图像数据。
   • 描述: 每个骨样本由100x100x100灰度矩阵表示，存储在.mat文件中，可直接在MATLAB中解析。

数据集引用

• 引用文献: W. Deng, S. Kumar, A. Vallone, D.M. Kochmann, and J.R. Greer, "AI-Enabled Materials Design of Non-periodic 3D Architectures with Predictable Direction-dependent Elastic Properties", Advanced Materials, 2308149 (2024), DOI: 10.1002/adma.202308149.

数据集许可证

• 许可证: [Creative Commons Attribution-NonCommercial 4.0 International License][cc-by-nc].

搜集汇总

数据集介绍

构建方式

该数据集由Deng等人构建，旨在支持非周期性三维结构材料的设计研究。`Deng_et_al_spinodoid_dataset.csv`文件包含了旋节体的均质化各向异性弹性刚度数据，用于训练和测试机器学习模型。`Deng_et_al_bones_dataset.csv`文件则包含了骨样本的均质化各向异性弹性刚度数据，以及通过逆向设计获得的旋节体设计参数。骨样本的三维图像数据存储在`Deng_et_al_bone_image_data`文件夹中，每个样本以100x100x100的灰度矩阵形式表示，数据来源于Javad Hazrati-Marangalou的微CT图像数据库。

特点

该数据集的特点在于其专注于非周期性三维结构的弹性性能预测。旋节体数据集包含了旋节体的相对密度、设计参数及其对应的均质化各向异性刚度分量，骨样本数据集则提供了骨样本的弹性刚度、旋节体逆向设计参数及其刚度分量。数据集通过Voigt符号表示6x6刚度矩阵，仅列出非零分量，确保了数据的简洁性和高效性。此外，骨样本的三维图像数据为研究者提供了直观的微观结构信息，进一步增强了数据集的应用价值。

使用方法

该数据集的使用方法主要围绕机器学习模型的训练和测试展开。研究者可以利用`Deng_et_al_spinodoid_dataset.csv`文件中的旋节体数据训练模型，预测不同设计参数下的弹性性能。`Deng_et_al_bones_dataset.csv`文件则可用于逆向设计任务，通过匹配骨样本的弹性刚度，优化旋节体设计参数。骨样本的三维图像数据可通过MATLAB解析，用于微观结构的可视化分析。使用该数据集时，需引用相关文献，并遵守Creative Commons Attribution-NonCommercial 4.0 International License许可协议。

背景与挑战

背景概述

Deng_et_al_spinodoid_dataset.csv和Deng_et_al_bones_dataset.csv数据集由W. Deng、S. Kumar、A. Vallone、D.M. Kochmann和J.R. Greer等研究人员于2024年创建，旨在支持非周期性三维结构材料的设计研究。该数据集的核心研究问题是通过机器学习模型预测材料的方向依赖性弹性性能，特别是在自旋体（spinodoids）和骨骼样本中的应用。这些数据集的发布为材料科学领域提供了重要的实验和计算资源，推动了人工智能在材料设计中的应用，尤其是在复杂结构材料的性能预测和优化方面。

当前挑战

该数据集在解决材料弹性性能预测问题时面临多重挑战。首先，自旋体和骨骼样本的弹性性能具有高度各向异性，如何准确捕捉其方向依赖性是一个复杂的问题。其次，数据集的构建过程中，研究人员需要从复杂的微CT图像中提取骨骼样本，并进行精确的弹性性能测量和正交各向异性近似，这一过程涉及大量的数据处理和计算。此外，机器学习模型的训练和验证需要高质量的数据，如何确保数据的准确性和一致性也是构建过程中的一大挑战。

常用场景

经典使用场景

在材料科学与工程领域，Deng_et_al_spinodoid_dataset.csv和Deng_et_al_bones_dataset.csv数据集被广泛应用于研究非周期性三维结构的弹性性能。这些数据集通过提供旋节体和骨骼样本的均质化各向异性弹性刚度数据，为机器学习模型的训练和测试提供了坚实的基础。特别是在预测方向依赖性弹性性能的研究中，这些数据集成为了不可或缺的工具。

解决学术问题

该数据集解决了材料设计中非周期性三维结构弹性性能预测的难题。通过提供详细的旋节体和骨骼样本的弹性刚度数据，研究人员能够利用机器学习模型进行精确的预测和优化。这不仅推动了材料设计领域的发展，还为新型材料的开发提供了理论支持。

衍生相关工作

基于该数据集，衍生出了多项经典研究工作。例如，Kumar等人利用这些数据开发了逆设计旋节体的机器学习模型，并发表在Npj Computational Materials期刊上。这些工作不仅验证了数据集的有效性，还进一步拓展了其在材料设计中的应用范围。