Maskinlæringsteknik skærper forudsigelse af materialers mekaniske egenskaber

Forskere ved Nanyang Technological University, Singapore (NTU Singapore), Massachusetts Institute of Technology (MIT), og Brown University har udviklet nye tilgange, der markant forbedrer nøjagtigheden af ​​en vigtig materialetestteknik ved at udnytte kraften i maskinlæring.

Nano-indrykning, processen med at stikke en prøve af et materiale med en skarp nållignende spids for at se, hvordan materialet reagerer ved at deformere, er vigtig i mange fremstillingsapplikationer, men dets ringe nøjagtighed til at opnå visse vigtige mekaniske egenskaber af et materiale har forhindret det i at blive brugt bredt i industrien.

Ved at bruge standard nano-indentation-processen og føre dens eksperimentelt målte data til et neuralt netværks maskinlæringssystem, forskerne udviklede og trænede systemet til at forudsige prøveudbyttestyrken 20 gange mere nøjagtigt end eksisterende metoder.

Den nye analyseteknik kan reducere behovet for tidskrævende og dyre computersimuleringer for at sikre, at fremstillede dele, der anvendes i strukturelle applikationer som flyvemaskiner og biler, og dem, der er fremstillet af digitale fremstillingsteknikker, såsom 3-D-print, er sikre at bruge under virkelige forhold.

Den øverste korresponderende forfatter af dette papir, NTU Distinguished University Professor Subra Suresh, som også er universitetspræsident, sagde, "Ved at inkorporere de seneste fremskridt inden for maskinlæring med nano-indentation, vi har vist, at det er muligt at forbedre præcisionen af ​​estimaterne af materialeegenskaber med så meget som 20 gange. Vi har også valideret dette systems forudsigelsesevne og præcisionsforbedring på konventionelt fremstillede aluminiumslegeringer og 3-D-printede titanlegeringer. Dette peger på vores metodes potentiale for digitale fremstillingsapplikationer i Industry 4.0, især inden for områder som 3-D-print."

Resultaterne vil blive offentliggjort i Proceedings of the National Academy of Sciences denne uge.

Materiale drager fordel af en hybrid tilgang

Metoden, udviklet af et team af forskere fra NTU, MIT, og brun, er en hybrid tilgang, der kombinerer maskinlæring med avancerede nano-indenteringsteknikker.

Processen starter først med at trykke en hård spids - typisk lavet af et materiale som diamant - ind i prøvematerialet med en kontrolleret hastighed med præcist kalibreret kraft, mens du konstant måler spidsens indtrængningsdybde ind i materialet, der deformeres.

Udfordringen opstår, fordi processen med at afkode de resulterende eksperimentelt målte data er ekstremt kompleks og i øjeblikket forhindrer den udbredte brug af nano-indentationstestteknikken, inden for fremstilling af fly og biler, ifølge NTU professor Upadrasta Ramamurty, som besidder præsidentens formandskab i Mekanisk og Rumfartsteknik og Materialevidenskab og Teknik på NTU.

For at forbedre nøjagtigheden i sådanne situationer, NTU-MIT-Brown-teamet udviklede et avanceret neuralt netværk - et computersystem, der er løst modelleret på den menneskelige hjerne - og 'trænede' det med en kombination af ægte eksperimentelle data og computergenererede data. Deres "multi-fidelity" tilgang til reelle eksperimentelle data såvel som fysik-baserede og beregningssimulerede "syntetiske" data (fra både to-dimensionelle og tre-dimensionelle computersimuleringer) med deep learning algoritmer.

MIT-hovedforsker og NTU-gæsteprofessor Ming Dao sagde, at tidligere forsøg på at bruge maskinlæring til at analysere materialeegenskaber for det meste involverede brugen af ​​"syntetiske" data genereret af computeren under urealistisk perfekte forhold - for eksempel hvor formen af ​​indenterspidsen er helt skarp, og bevægelsen af ​​indenteren er helt jævn. Målingerne forudsagt af maskinlæring var unøjagtige som et resultat.

Træning af det neurale netværk indledningsvis med syntetiske data, derefter inkorporerer et relativt lille antal reelle eksperimentelle datapunkter, imidlertid, kan forbedre resultaternes nøjagtighed væsentligt, holdet fandt.

De rapporterer også, at træningen med syntetiske data kan udføres før tid, med et lille antal reelle eksperimentelle resultater, der skal tilføjes til kalibrering, når det kommer til at evaluere egenskaberne af faktiske materialer.

Prof Suresh sagde, "Brugen af ​​rigtige eksperimentelle datapunkter er med til at kompensere for den ideelle verden, der antages i de syntetiske data. Ved at bruge en god blanding af datapunkter fra den idealiserede og virkelige verden, slutresultatet er drastisk reduceret fejl."