Naukowcy z  Nanyang Technological University, Singapore (NTU Singapore), Massachusetts Institute of Technology (MIT) i Brown University  opracowali nowe podejście, które znacząco zwiększa dokładność ważnej techniki testowania materiału poprzez wykorzystanie siły uczenia maszynowego.

Nanoindentacja – proces uderzania próbki materiału ostrą jak igła końcówką aby zobaczyć jak materiał się deformuje – jest ważna dla wielu zastosowań w przemyśle, ale przez jej słabą dokładność w zawieraniu pewnych kluczowych właściwości mechanicznych materiału nie jest szeroko używana w przemyśle.

Używając standardowego procesu nanoindentacji i karmiąc sieci neuronalne systemu uczenia maszynowego danymi z eksperymentalnych pomiarów naukowcy opracowali i ‘wyszkolili’ system,  aby przewidywał granice plastyczności próbek  z dokładnością 20 razy większą niż obecne metody.

Nowa technika analityczna może zredukować potrzebę na pochłaniające czas, kosztowne symulacje komputerowe, służące zapewnieniu, że produkowane części używane w zastosowaniach konstrukcyjnych takich jak samoloty i samochody, jak również te wytworzone za pomocą  cyfrowych technik produkcji takich jak drukowanie 3D, są bezpieczne w użyciu w rzeczywistych warunkach.

Główny autor korespondujący tej pracy,  NTU Distinguished University Professor Subra Suresh, będący również rektorem, powiedział: – Dzięki wcieleniu najnowszych osiągnięć uczenia maszynowego z nanoindentacją pokazaliśmy, że możliwe jest udoskonalenie dokładności szacunków właściwości materiałów 20-krotnie.  Zweryfikowaliśmy również zdolność predykcyjną i poprawę dokładności na konwencjonalnie produkowanych stopach aluminium oraz drukowanych techniką 3D stopach tytanu. Wskazuje to na potencjał naszej metody  dla zastosowań w cyfrowej produkcji w przemyśle 4.0, zwłaszcza w obszarach takich jak druk 3D. 

Odkrycia te zostaną opublikowane w tym tygodniu w Proceedings of the National Academy of Sciences.

Korzyści materialne wynikające z podejścia hybrydowego

Metoda opracowana przez zespół badaczy z  NTU, MIT i Brown  jest hybrydowym podejściem łączącym uczenie maszynowe z najnowszymi technikami nanoindentacji.

Proces rozpoczyna się przez naciskanie twardą końcówką – zazwyczaj wykonaną z diamentu – na próbkę materiału w kontrolowanym tempie z precyzyjnie skalibrowaną siłą przy nieustannym mierzeniu głębokości penetracji końcówki na deformowany materiał.

Powstaje wyzwanie, ponieważ proces dekodowania otrzymanych danych powstałych eksperymentalnie jest niezwykle złożony i obecnie  uniemożliwia powszechne stosowanie techniki testowania nanoindentacją podczas produkowania samolotów i samochodów, według profesora NTU Upadrasta Ramamurty,  który jest przewodniczącym katedry inżynierii mechanicznej i lotniczej oraz badań materiałowych w  NTU.

Aby zwiększyć dokładność w takich sytuacjach, zespół  NTU-MIT-Brown opracował zaawansowaną sieć neuronową — system komputerowy modelowany nieściśle na ludzkim mózgu  – i “trenował” go za pomocą połączenia prawdziwych eksperymentalnych danych i danych wytworzonych komputerowo. To podejście “wielu wierności” wykorzystuje prawdziwe dane z eksperymentu jak również “syntetyczne” dane oparte na fizyce i symulowane komputerowo (zarówno z dwu- i trójwymiarowych symulacji)  i algorytmy deep learning.

Główny naukowiec MIT i  Profesor Wizytujący NTU  Ming Dao  powiedział, że poprzednie podejścia użycia uczenia maszynowego do analizy właściwości materiału zawierały głównie użycie danych “syntetycznych” generowanych przez komputer zakładając nierealne, perfekcyjne warunki – na przykład gdzie kształt końcówki wgłębnika jest perfekcyjnie ostry a ruch wgłębnika perfekcyjnie płynny.  W rezultacie pomiary przewidywane przez uczenie maszynowe były niedokładne.

Zespół stwierdził jednakże, że trenowanie sieci neuronowej, wstępnie za pomocą danych syntetycznych, następnie włączając względnie małą ilość danych z prawdziwych eksperymentów, może znacząco poprawić dokładność rezultatów.

Zespół informuje również, że trenowanie za pomocą danych syntetycznych można zrobić z wyprzedzeniem, dodając do kalibracji  niewielką ilość rezultatów z prawdziwych eksperymentów, kiedy chodzi o ewaluację właściwości rzeczywistych materiałów.

Prof. Suresh powiedział:  –  Użycie danych z prawdziwych eksperymentów pomaga zrekompensować założenia idealnego świata z danych syntetycznych. Dzięki użyciu dobrego połączenia danych z prawdziwego i wyidealizowanego świata,  efekt końcowy jest błędem drastycznie zredukowanym.

Źródło: Extraction of mechanical properties of materials through deep learning from instrumented indentation (Proceedings of the National Academy of Sciences)