Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Blarr, Juliane",
2
  "author": "Blarr, Juliane",
            
3
  "author_email": "",
3
  "author_email": "",
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1409",
5
  "doi": "10.35097/1409",
            
6
  "doi_date_published": "2023",
6
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
7
  "doi_publisher": "",
            
8
  "doi_status": "True",
8
  "doi_status": "True",
            
9
  "groups": [],
9
  "groups": [],
            
10
  "id": "024c6edb-03c5-440c-831a-0972b05ff6f4",
10
  "id": "024c6edb-03c5-440c-831a-0972b05ff6f4",
            
11
  "isopen": false,
11
  "isopen": false,
            
12
  "license_id": "CC BY-NC-SA 4.0 
12
  "license_id": "CC BY-NC-SA 4.0 
            
13
Attribution-NonCommercial-ShareAlike",
13
Attribution-NonCommercial-ShareAlike",
            
14
  "license_title": "CC BY-NC-SA 4.0 
14
  "license_title": "CC BY-NC-SA 4.0 
            
15
Attribution-NonCommercial-ShareAlike",
15
Attribution-NonCommercial-ShareAlike",
            
16
  "metadata_created": "2023-08-04T08:50:43.834449",
16
  "metadata_created": "2023-08-04T08:50:43.834449",
            
t
17
  "metadata_modified": "2023-08-04T08:50:43.834455",
t
17
  "metadata_modified": "2023-08-04T08:52:02.372134",
            
18
  "name": "rdr-doi-10-35097-1409",
18
  "name": "rdr-doi-10-35097-1409",
            
19
  "notes": "Abstract: This dataset includes 3D \u00b5CT images of nine 
19
  "notes": "Abstract: This dataset includes 3D \u00b5CT images of nine 
            
20
different specimen of 10 mm \\times 10 mm of a carbon fiber reinforced 
20
different specimen of 10 mm \\times 10 mm of a carbon fiber reinforced 
            
21
polyamide 6 plaque produced in the long fiber reinforced thermoplastic 
21
polyamide 6 plaque produced in the long fiber reinforced thermoplastic 
            
22
direct (LFT-D) process. The position of the specimen in the plaque can 
22
direct (LFT-D) process. The position of the specimen in the plaque can 
            
23
be learned from the referenced publication (Blarr et al., 
23
be learned from the referenced publication (Blarr et al., 
            
24
Implementation and comparison of algebraic and machine learning based 
24
Implementation and comparison of algebraic and machine learning based 
            
25
tensor interpolation methods applied to fiber orientation tensor 
25
tensor interpolation methods applied to fiber orientation tensor 
            
26
fields obtained from CT images, Computational Materials Science, 
26
fields obtained from CT images, Computational Materials Science, 
            
27
2022). After small pre-processing steps, the fiber orientation tensor 
27
2022). After small pre-processing steps, the fiber orientation tensor 
            
28
of each of the image stacks is determined with the help of the 
28
of each of the image stacks is determined with the help of the 
            
29
structure tensor based implementation of Pinter et al. The code can be 
29
structure tensor based implementation of Pinter et al. The code can be 
            
30
found here: 
30
found here: 
            
31
rientation/FibreOrientation/StructureTensorOrientationFilter.cxx#l186. 
31
rientation/FibreOrientation/StructureTensorOrientationFilter.cxx#l186. 
            
32
Hence, nine .dat-files containing the fiber orientation tensor of 
32
Hence, nine .dat-files containing the fiber orientation tensor of 
            
33
second order are also included in this dataset.\r\n\r\nMost 
33
second order are also included in this dataset.\r\n\r\nMost 
            
34
importantly, this dataset contains three different Python codes. The 
34
importantly, this dataset contains three different Python codes. The 
            
35
author implemented a different interpolation method in each of those 
35
author implemented a different interpolation method in each of those 
            
36
codes; two algebraic and one machine learning based one. The component 
36
codes; two algebraic and one machine learning based one. The component 
            
37
averaging method is the simplest; the decomposition method is 
37
averaging method is the simplest; the decomposition method is 
            
38
mathematically more difficult. It works with the decomposition of the 
38
mathematically more difficult. It works with the decomposition of the 
            
39
tensor into shape and orientation and subsequent separate invariant 
39
tensor into shape and orientation and subsequent separate invariant 
            
40
and quaternion weighting, before reassembling the then interpolated 
40
and quaternion weighting, before reassembling the then interpolated 
            
41
tensor. The deep learning based method is the only Jupyter notebook in 
41
tensor. The deep learning based method is the only Jupyter notebook in 
            
42
this dataset, where an ANN is implemented for the same interpolation 
42
this dataset, where an ANN is implemented for the same interpolation 
            
43
task. Please consider the reference paper mentioned before for 
43
task. Please consider the reference paper mentioned before for 
            
44
details.\r\n\r\nFor the visualization of the tensor glyphs, a Matlab 
44
details.\r\n\r\nFor the visualization of the tensor glyphs, a Matlab 
            
45
function by Barmpoutis is used, which can be found here: 
45
function by Barmpoutis is used, which can be found here: 
            
46
e/27462-diffusion-tensor-field-dti-visualization.\r\nTechnicalRemarks: 
46
e/27462-diffusion-tensor-field-dti-visualization.\r\nTechnicalRemarks: 
            
47
In the folder \"code\" there are three Python scripts. The 
47
In the folder \"code\" there are three Python scripts. The 
            
48
\"component_averaging_method.py\" and the \"decomposition_method.py\" 
48
\"component_averaging_method.py\" and the \"decomposition_method.py\" 
            
49
work the same: The script needs an input .txt-file with coordinates 
49
work the same: The script needs an input .txt-file with coordinates 
            
50
and the corresponding fiber orientation tensors (the example used in 
50
and the corresponding fiber orientation tensors (the example used in 
            
51
the publication is given (file \"Input_file_FOT.txt\")). After running 
51
the publication is given (file \"Input_file_FOT.txt\")). After running 
            
52
the code you are asked in the console for the name of the output file 
52
the code you are asked in the console for the name of the output file 
            
53
and for lower and upper x and y limit, which are 1 and 13, 
53
and for lower and upper x and y limit, which are 1 and 13, 
            
54
respectively, in the given case. The scripts then calculate the fiber 
54
respectively, in the given case. The scripts then calculate the fiber 
            
55
orientation tensors at all missing positions with the respective 
55
orientation tensors at all missing positions with the respective 
            
56
method, which are then written into a MATLAB file (which is named the 
56
method, which are then written into a MATLAB file (which is named the 
            
57
way you input in the console). This MATLAB file is structured in a way 
57
way you input in the console). This MATLAB file is structured in a way 
            
58
that the fiber orientation tensors can be plotted directly with the 
58
that the fiber orientation tensors can be plotted directly with the 
            
59
tensor glyph visualization function of Barmpoutis (\"plotDTI\") given 
59
tensor glyph visualization function of Barmpoutis (\"plotDTI\") given 
            
60
in the abstract.\r\nThe Jupyter Notebook \"ANN_method.ipynb\" works a 
60
in the abstract.\r\nThe Jupyter Notebook \"ANN_method.ipynb\" works a 
            
61
bit differently as it is an artificial neural network. There, 
61
bit differently as it is an artificial neural network. There, 
            
62
.csv-files are needed as input data. The components of the tensors are 
62
.csv-files are needed as input data. The components of the tensors are 
            
63
given to the network in separate files and the coordinates of the 
63
given to the network in separate files and the coordinates of the 
            
64
positions in another separate .csv-file. This is all documented in the 
64
positions in another separate .csv-file. This is all documented in the 
            
65
paper as well. The output again is a .csv-file that has to be 
65
paper as well. The output again is a .csv-file that has to be 
            
66
transferred into MATLAB if users want to use the same visualization 
66
transferred into MATLAB if users want to use the same visualization 
            
67
function. \r\n\r\nThe folder \"scans_and_FOT\" includes all nine scans 
67
function. \r\n\r\nThe folder \"scans_and_FOT\" includes all nine scans 
            
68
and respective fiber orientation tensors used for the publication. The 
68
and respective fiber orientation tensors used for the publication. The 
            
69
scans are given as .mhd- and .raw-files, the orientation tensors are 
69
scans are given as .mhd- and .raw-files, the orientation tensors are 
            
70
given in the .dat-files. To generate the fiber orientation tensors 
70
given in the .dat-files. To generate the fiber orientation tensors 
            
71
from the images, the code by Pinter et al., which is given in the 
71
from the images, the code by Pinter et al., which is given in the 
            
72
abstract, was used. This C++ code writes out a vector valued image 
72
abstract, was used. This C++ code writes out a vector valued image 
            
73
with the orientations per voxel. From this, again with another MATLAB 
73
with the orientations per voxel. From this, again with another MATLAB 
            
74
file, which composes the orientation tensor from the vector-valued 
74
file, which composes the orientation tensor from the vector-valued 
            
75
image, these .dat files can be generated. As this is not the main 
75
image, these .dat files can be generated. As this is not the main 
            
76
focus of the publication, and the functionality of the python scripts 
76
focus of the publication, and the functionality of the python scripts 
            
77
can be verified with the given orientation tensors, this MATLAB script 
77
can be verified with the given orientation tensors, this MATLAB script 
            
78
is not part of this dataset.\r\n\r\nPlease consider the paper or 
78
is not part of this dataset.\r\n\r\nPlease consider the paper or 
            
79
contact the author Juliane Blarr for further questions.",
79
contact the author Juliane Blarr for further questions.",
            
80
  "num_resources": 0,
80
  "num_resources": 0,
            
81
  "num_tags": 11,
81
  "num_tags": 11,
            
82
  "orcid": "0000-0003-0419-0780",
82
  "orcid": "0000-0003-0419-0780",
            
83
  "organization": {
83
  "organization": {
            
84
    "approval_status": "approved",
84
    "approval_status": "approved",
            
85
    "created": "2023-01-12T13:30:23.238233",
85
    "created": "2023-01-12T13:30:23.238233",
            
86
    "description": "RADAR (Research Data Repository) is a 
86
    "description": "RADAR (Research Data Repository) is a 
            
87
cross-disciplinary repository for archiving and publishing research 
87
cross-disciplinary repository for archiving and publishing research 
            
88
data from completed scientific studies and projects. The focus is on 
88
data from completed scientific studies and projects. The focus is on 
            
89
research data from subjects that do not yet have their own 
89
research data from subjects that do not yet have their own 
            
90
discipline-specific infrastructures for research data management. ",
90
discipline-specific infrastructures for research data management. ",
            
91
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
91
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
92
    "image_url": "radar-logo.svg",
92
    "image_url": "radar-logo.svg",
            
93
    "is_organization": true,
93
    "is_organization": true,
            
94
    "name": "radar",
94
    "name": "radar",
            
95
    "state": "active",
95
    "state": "active",
            
96
    "title": "RADAR",
96
    "title": "RADAR",
            
97
    "type": "organization"
97
    "type": "organization"
            
98
  },
98
  },
            
99
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
99
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
100
  "private": false,
100
  "private": false,
            
101
  "production_year": "2022",
101
  "production_year": "2022",
            
102
  "publication_year": "2023",
102
  "publication_year": "2023",
            
103
  "publishers": [
103
  "publishers": [
            
104
    {
104
    {
            
105
      "publisher": "Karlsruhe Institute of Technology"
105
      "publisher": "Karlsruhe Institute of Technology"
            
106
    }
106
    }
            
107
  ],
107
  ],
            
108
  "relationships_as_object": [],
108
  "relationships_as_object": [],
            
109
  "relationships_as_subject": [],
109
  "relationships_as_subject": [],
            
110
  "repository_name": "RADAR (Research Data Repository)",
110
  "repository_name": "RADAR (Research Data Repository)",
            
111
  "resources": [],
111
  "resources": [],
            
112
  "services_used_list": "",
112
  "services_used_list": "",
            
113
  "source_metadata_created": "2023",
113
  "source_metadata_created": "2023",
            
114
  "source_metadata_modified": "",
114
  "source_metadata_modified": "",
            
115
  "state": "active",
115
  "state": "active",
            
116
  "subject_areas": [
116
  "subject_areas": [
            
117
    {
117
    {
            
118
      "subject_area_additional": "",
118
      "subject_area_additional": "",
            
119
      "subject_area_name": "Materials Science"
119
      "subject_area_name": "Materials Science"
            
120
    }
120
    }
            
121
  ],
121
  ],
            
122
  "tags": [
122
  "tags": [
            
123
    {
123
    {
            
124
      "display_name": "Artificial neural network",
124
      "display_name": "Artificial neural network",
            
125
      "id": "18811543-884e-4c56-ae91-8267ea990e8a",
125
      "id": "18811543-884e-4c56-ae91-8267ea990e8a",
            
126
      "name": "Artificial neural network",
126
      "name": "Artificial neural network",
            
127
      "state": "active",
127
      "state": "active",
            
128
      "vocabulary_id": null
128
      "vocabulary_id": null
            
129
    },
129
    },
            
130
    {
130
    {
            
131
      "display_name": "Computer tomography",
131
      "display_name": "Computer tomography",
            
132
      "id": "8ea374b7-99e2-408d-83fe-f36362620095",
132
      "id": "8ea374b7-99e2-408d-83fe-f36362620095",
            
133
      "name": "Computer tomography",
133
      "name": "Computer tomography",
            
134
      "state": "active",
134
      "state": "active",
            
135
      "vocabulary_id": null
135
      "vocabulary_id": null
            
136
    },
136
    },
            
137
    {
137
    {
            
138
      "display_name": "Deep Learning",
138
      "display_name": "Deep Learning",
            
139
      "id": "3feb7b21-e049-4dca-9372-0d438c483f6a",
139
      "id": "3feb7b21-e049-4dca-9372-0d438c483f6a",
            
140
      "name": "Deep Learning",
140
      "name": "Deep Learning",
            
141
      "state": "active",
141
      "state": "active",
            
142
      "vocabulary_id": null
142
      "vocabulary_id": null
            
143
    },
143
    },
            
144
    {
144
    {
            
145
      "display_name": "Fiber orientation tensor",
145
      "display_name": "Fiber orientation tensor",
            
146
      "id": "95bf9732-74a3-4db9-b8ed-e894cb94ae39",
146
      "id": "95bf9732-74a3-4db9-b8ed-e894cb94ae39",
            
147
      "name": "Fiber orientation tensor",
147
      "name": "Fiber orientation tensor",
            
148
      "state": "active",
148
      "state": "active",
            
149
      "vocabulary_id": null
149
      "vocabulary_id": null
            
150
    },
150
    },
            
151
    {
151
    {
            
152
      "display_name": "Fiber reinforced polymer",
152
      "display_name": "Fiber reinforced polymer",
            
153
      "id": "91a1039f-5140-470f-a69b-1f68f1174ec8",
153
      "id": "91a1039f-5140-470f-a69b-1f68f1174ec8",
            
154
      "name": "Fiber reinforced polymer",
154
      "name": "Fiber reinforced polymer",
            
155
      "state": "active",
155
      "state": "active",
            
156
      "vocabulary_id": null
156
      "vocabulary_id": null
            
157
    },
157
    },
            
158
    {
158
    {
            
159
      "display_name": "Linear Algebra",
159
      "display_name": "Linear Algebra",
            
160
      "id": "26e5df78-dfd3-42bc-bbd8-48587bd97974",
160
      "id": "26e5df78-dfd3-42bc-bbd8-48587bd97974",
            
161
      "name": "Linear Algebra",
161
      "name": "Linear Algebra",
            
162
      "state": "active",
162
      "state": "active",
            
163
      "vocabulary_id": null
163
      "vocabulary_id": null
            
164
    },
164
    },
            
165
    {
165
    {
            
166
      "display_name": "Machine Learning",
166
      "display_name": "Machine Learning",
            
167
      "id": "c4f3defc-ca48-45a9-9217-ce35bd3ed73c",
167
      "id": "c4f3defc-ca48-45a9-9217-ce35bd3ed73c",
            
168
      "name": "Machine Learning",
168
      "name": "Machine Learning",
            
169
      "state": "active",
169
      "state": "active",
            
170
      "vocabulary_id": null
170
      "vocabulary_id": null
            
171
    },
171
    },
            
172
    {
172
    {
            
173
      "display_name": "Quaternions",
173
      "display_name": "Quaternions",
            
174
      "id": "5f6abf0b-8718-4608-ad3f-be12a18d5d6c",
174
      "id": "5f6abf0b-8718-4608-ad3f-be12a18d5d6c",
            
175
      "name": "Quaternions",
175
      "name": "Quaternions",
            
176
      "state": "active",
176
      "state": "active",
            
177
      "vocabulary_id": null
177
      "vocabulary_id": null
            
178
    },
178
    },
            
179
    {
179
    {
            
180
      "display_name": "Scale bridging",
180
      "display_name": "Scale bridging",
            
181
      "id": "1a816972-5a04-47a5-8894-01833cdb77d9",
181
      "id": "1a816972-5a04-47a5-8894-01833cdb77d9",
            
182
      "name": "Scale bridging",
182
      "name": "Scale bridging",
            
183
      "state": "active",
183
      "state": "active",
            
184
      "vocabulary_id": null
184
      "vocabulary_id": null
            
185
    },
185
    },
            
186
    {
186
    {
            
187
      "display_name": "Scarce data",
187
      "display_name": "Scarce data",
            
188
      "id": "cd67999a-2dc3-4169-84e8-acfa764b3d43",
188
      "id": "cd67999a-2dc3-4169-84e8-acfa764b3d43",
            
189
      "name": "Scarce data",
189
      "name": "Scarce data",
            
190
      "state": "active",
190
      "state": "active",
            
191
      "vocabulary_id": null
191
      "vocabulary_id": null
            
192
    },
192
    },
            
193
    {
193
    {
            
194
      "display_name": "Spatial interpolation",
194
      "display_name": "Spatial interpolation",
            
195
      "id": "edca07ee-78aa-4468-88ca-2f5eb2983b43",
195
      "id": "edca07ee-78aa-4468-88ca-2f5eb2983b43",
            
196
      "name": "Spatial interpolation",
196
      "name": "Spatial interpolation",
            
197
      "state": "active",
197
      "state": "active",
            
198
      "vocabulary_id": null
198
      "vocabulary_id": null
            
199
    }
199
    }
            
200
  ],
200
  ],
            
201
  "title": "3d \u00b5ct images of specimens of carbon fiber reinforced 
201
  "title": "3d \u00b5ct images of specimens of carbon fiber reinforced 
            
202
polyamide 6 plaque, fiber orientation tensor data of these images, and 
202
polyamide 6 plaque, fiber orientation tensor data of these images, and 
            
203
three python code files for two different algebraic and one machine 
203
three python code files for two different algebraic and one machine 
            
204
learning based tensor interpolation algorithms",
204
learning based tensor interpolation algorithms",
            
205
  "type": "vdataset",
205
  "type": "vdataset",
            
206
  "url": "https://doi.org/10.35097/1409"
206
  "url": "https://doi.org/10.35097/1409"
            
207
}
207
}