تکنیک یادگیری ماشینی پیش بینی خواص مکانیکی مواد را تشدید می کند

دانشمندان دانشگاه فنی نانیانگ ، سنگاپور (NTU سنگاپور) ، انستیتوی فناوری ماساچوست (MIT) و دانشگاه براون روشهای جدیدی را توسعه داده اند که با بهره گیری از قدرت یادگیری ماشین ، دقت یک روش مهم تست مواد را بهبود می بخشد.

نانو تورفتگی ، فرایند فشار دادن نمونه ای از مواد با نوک سوزن مانند تیز برای دیدن چگونگی واکنش مواد با تغییر شکل ، در بسیاری از کاربردهای تولید از اهمیت برخوردار است ، اما دقت ضعیف آن در بدست آوردن برخی خصوصیات مکانیکی کلیدی یک ماده است. مانع از استفاده گسترده آن در صنعت شد.

دانشمندان با استفاده از فرآیند استاندارد نانوسنتون و تغذیه داده های اندازه گیری شده تجربی آن به یک سیستم یادگیری شبکه عصبی ، دانشمندان این سیستم را تولید و آموزش دادند تا قدرت نمونه را 20 برابر با دقت بیشتری نسبت به روشهای موجود پیش بینی کند.

این تکنیک جدید تحلیلی می تواند نیاز به شبیه سازی های کامپیوتری وقت گیر و پرهزینه را کاهش دهد تا اطمینان حاصل شود که قطعات تولید شده مورد استفاده در کاربردهای ساختاری مانند هواپیما و اتومبیل و مواردی که از تکنیک های تولید دیجیتالی مانند چاپ 3 بعدی ساخته شده اند ، قابل استفاده نیستند. شرایط زندگی

نویسنده ارشد مربوطه در این مقاله ، استاد برجسته دانشگاه NTU Subra Suresh ، که همچنین رئیس دانشگاه است ، گفت: "با درج جدیدترین پیشرفت ها در یادگیری ماشینی با nano-indentation ، ما نشان داده ایم که می توان به دقت دقت کرد. برآوردهای خاصیت مواد تا 20 برابر ما همچنین توانایی پیش بینی و افزایش دقت این سیستم را در آلیاژهای آلومینیومی تولیدی معمولی و آلیاژهای تیتانیوم چاپی 3 بعدی چاپ کرده ایم. ، به ویژه در مناطقی مانند چاپ 3 بعدی. "

این یافته ها این هفته در مجموعه مقالات آکادمی ملی علوم منتشر می شود.

مزایای ماده از رویکرد ترکیبی برخوردار است

این روش که توسط تیم محققان NTU ، MIT و Brown ساخته شده است ، یک رویکرد ترکیبی است که یادگیری ماشین را با تکنیک های پیشرفته ترین حالت نانوسندینگ ترکیبی می کند.

این فرآیند ابتدا با فشار دادن یک نوک سخت - که معمولاً از ماده ای مانند الماس ساخته شده است- به مواد نمونه با سرعت کنترل شده با نیروی دقیق کالیبره شده ، شروع می شود ، در حالی که دائماً عمق نفوذ نوک را درون ماده تغییر شکل می دهد.

 
به گفته پروفسور NTU ، Upadrasta Ramamurty ، که گفته است ، روند رمزگشایی داده های حاصل از اندازه گیری آزمایشی بسیار پیچیده است و در حال حاضر از استفاده گسترده از تکنیک تست نانوذرات در ساخت هواپیماها و اتومبیل ها جلوگیری می کند. صندلی رئیس جمهور در مهندسی مکانیک و هوافضا و علوم و مهندسی مواد در NTU.

برای بهبود دقت در چنین شرایطی ، تیم NTU-MIT-Brown یک شبکه عصبی پیشرفته ایجاد کردند - یک سیستم محاسباتی که به راحتی در مغز انسان مدل سازی می شود - و آن را با ترکیبی از داده های تجربی واقعی و داده های تولید شده توسط رایانه ، آموزش دادند. رویکرد "چند وفاداری" آنها به داده های تجربی واقعی و همچنین داده های "مصنوعی" مبتنی بر فیزیک و شبیه سازی شده محاسباتی (از هر دو شبیه سازی رایانه ای دو بعدی و سه بعدی) با الگوریتم های یادگیری عمیق رویکرد.

مینگ دائو ، دانشمند اصلی تحقیقات MIT و استاد NITU در بازدید ، گفت که تلاش های قبلی در استفاده از یادگیری ماشینی برای تجزیه و تحلیل خواص مواد بیشتر مربوط به استفاده از داده های "مصنوعی" تولید شده توسط رایانه در شرایط غیرواقعی بی نظیر است - مثلاً در جایی که شکل نوک سوزاندن است. کاملاً تیز است و حرکت تورفتگی کاملاً صاف است. اندازه گیری های پیش بینی شده توسط یادگیری ماشین در نتیجه نادرست بودند.

این تیم نشان داد که آموزش شبکه عصبی در ابتدا با داده های مصنوعی ، و در نتیجه داشتن تعداد نسبتاً کمی از نقاط داده های تجربی واقعی ، با این حال می تواند صحت نتایج را بهبود بخشد.

آنها همچنین گزارش می دهند که آموزش با داده های مصنوعی می تواند قبل از زمان انجام شود و تعداد کمی از نتایج آزمایشی واقعی در هنگام ارزیابی خصوصیات مواد واقعی برای کالیبراسیون به آنها اضافه می شود.

پروفسور سورش گفت: "استفاده از نقاط داده های تجربی واقعی به جبران دنیای ایده آل که در داده های مصنوعی فرض می شود کمک می کند. با استفاده از ترکیبی مناسب از نقاط داده از دنیای ایده آل و واقعی ، نتیجه نهایی به شدت کاهش می یابد. ""