Forskere bruger kunstige neurale netværk til at strømline materialetestning

Optimering af avancerede kompositter til specifikke slutanvendelser kan være dyrt og tidskrævende, kræver, at producenter tester mange prøver for at nå frem til den bedste formulering. Efterforskere ved NYU Tandon School of Engineering har designet et maskinlæringssystem, der anvender kunstige neurale netværk (ANN), der er i stand til at ekstrapolere fra data, der stammer fra kun én prøve, derved hurtigt at formulere og levere analyser på teoretiske grafen-forstærkede avancerede kompositter.

Arbejdet, ledet af Nikhil Gupta, lektor i mekanik og rumfartsteknik ved NYU Tandon, med ph.d. studerende Xianbo Xu og samarbejdspartnere hos producenten af ​​2-D grafenmaterialer GrapheneCa, er beskrevet i "Artificial Neural Network Approach to Predict the Elastic Modulus from Dynamic Mechanical Analysis Results, ", som vil blive vist på indersiden af ​​bladet Avanceret teori og simuleringer .

Træktest og dynamisk mekanisk analyse (DMA) bruges i vid udstrækning til at karakterisere de viskoelastiske egenskaber af materialer ved forskellige belastningshastigheder og temperaturer. Men dette kræver en omfattende eksperimentel kampagne, der involverer et stort antal prøver.

Tandon-teamet fandt en måde at omgå denne proces ved at designe en ANN-baseret tilgang, der bygger en model og derefter tilfører den data fra DMA - en test af et materiales respons på en given temperatur og belastningsfrekvens (et mål for belastning påført i cyklusser )—for at forudsige, hvordan den vil reagere på enhver anden temperatur- og trykkombination. Gupta forklarede, at ANN ekstrapolerede fra mål for prøvernes evne til at lagre og sprede energi under forskellige forhold.

"At teste materialer under forskellige forhold under produktudviklingscyklussen er en stor omkostning for producenter, der forsøger at skabe kompositter til adskillige applikationer, " bemærkede Gupta. "Dette system giver os mulighed for at udføre en test og derefter forudsige egenskaberne under andre forhold. Det reducerer derfor betydeligt mængden af ​​nødvendige eksperimenter."

"Anvendelse af en kunstig neural netværkstilgang til at forudsige egenskaberne af nanokompositter kan hjælpe med at udvikle en tilgang, hvor modellering kan guide materialet og applikationsudviklingen og reducere omkostningerne over tid, " fortsatte Gupta.

"At arbejde med forskerne ved NYU Tandon's Department of Mechanical and Aerospace Engineering, vi har udviklet en ny metode til at forudsige opførslen af ​​termohærdende nanokompositter over en lang række temperatur- og belastningshastigheder, " sagde Dr. Sergey Voskresensky, Head of Research &Development på GrapheneCas New York-baserede produktionsfacilitet. "Desuden, den samme tilgang kan potentielt anvendes til at forudsige en opførsel af termoplastiske materialer. Dette er et kritisk skridt mod avanceret kompositproduktion."