Technika uczenia maszynowego poprawia przewidywanie mechanicznych właściwości materiału

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.

Nie pomiń naszych istotnych materiałów
Zapisz się do grupy na ulubionym komunikatorze

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)

Uważasz, że to istotny temat? Podziel się nim ze znajomymi.
Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
CZY DLA CIEBIE RÓWNIEŻ JEST
WAŻNE TO O CZYM CZYTASZ?

Nigdy nie było ważniejszego czasu, aby edukować społecznie

ORION Organizacja Społeczna tworzy Publikacje dla osób, które cenią wiedzę opartą na dowodach i sprawdzonych źródłach. Naszym celem jest budowanie świadomego społeczeństwa, dlatego nasze materiały zawsze będą z darmowym dostępem. Jeśli możesz wesprzyj nas dzisiaj, przekazując darowiznę, którą możesz odliczyć od podatku oraz udostępniaj nasze Publikacje swoim przyjaciołom.

TAGI

Numer konta (Nest Bank)

92 2530 0008 2041 1071 3655 0001