Image-Based Approaches for Phase and Fracture Characterization: Micro-mechanics of Stanstead Granite
Notice bibliographique
Résumé
As imaging techniques and data acquisition technologies advance, and the storage of large datasets becomes more cost-effective, the field of rock mechanics has access to unprecedented amounts of detailed experimental and image data. This thesis presents the development of an image-based machine learning model to predict strain concentration during laboratory-scale experiments. Stanstead granite, an important material for many Canadian energy applications including nuclear storage, hydraulic fracturing and geothermal energy, was used in this study to develop a proof-of-concept model. Uniaxial compression (UCS) and three-point bending tests were conducted on granite samples using a customized loading configuration equipped with both a high-speed camera system and digital image correlation (DIC) system. A chemical staining technique was applied to the granite to visually distinguish between different grains, as well as classify grain boundary types after applying image processing techniques. With the collected photographic data overlaid on loading data, machine learning models, including classical machine learning and convolutional neural networks (CNNs), were employed to uncover the regional patterns of fracture propagation across sample surfaces. Classical models, including LightGBM, achieved 82.1% overall accuracy across in a categorical strain model. Classical models outperformed deep learning approaches in this study, likely due to limited dataset size. The model demonstrated the ability to generalize to unseen geometries and aligned with observed physical phenomena. Lab studies are generally limited by sample availability and the variability in natural grain structures, but the proposed methods can help overcome this gap and provide a more consistent method for predicting fractures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».