Forskere anvender kunstig intelligens til at afdække hemmelighederne bag magnesiumlegeringsanisotropi

Magnesium (Mg) legeringer er populært blevet brugt til at designe luftfarts- og bildele på grund af deres høje styrke-til-vægt-forhold. Deres biokompatibilitet og lave densitet gør også disse legeringer ideelle til brug i biomedicinsk og elektronisk udstyr. Imidlertid er Mg-legeringer kendt for at udvise plastisk anisotropisk adfærd. Med andre ord varierer deres mekaniske egenskaber afhængigt af retningen af ​​den påførte belastning.

For at sikre, at ydeevnen af ​​disse Mg-legeringer ikke påvirkes af denne anisotrope adfærd, er der behov for en bedre forståelse af de anisotrope deformationer og udvikling af modeller til deres analyse.

Ifølge Metal Design &Manufacturing (MEDEM) Lab ledet af lektor Taekyung Lee fra Pusan ​​National University, Republikken Korea, kan maskinlæring (ML) indeholde svar på dette forudsigelsesproblem. I deres seneste gennembrud foreslog holdet en ny tilgang kaldet "Generative adversarial networks (GAN)-aided gated recurrent unit (GRU)."

Modellen har kraftfulde dataanalyseevner til nøjagtigt at forudsige de plastiske anisotrope egenskaber af smedede Mg-legeringer. Deres arbejde blev gjort tilgængeligt online i Journal of Magnesium and Alloys den 16. januar 2024.

"Med hensyn til nøjagtigheden af ​​ML-forudsigelser fra datavidenskabens synspunkt, indså vi, at der var plads til forbedringer. Så i modsætning til de tidligere rapporterede forudsigelsesmetoder udviklede vi en ML-model med dataforøgelse for at opnå nøjagtighed, såvel som generaliserbarhed med hensyn til forskellige indlæsningstilstande," siger prof. Lee og beskriver kerneideen bag deres nye model.

"Dette åbnede til sidst måder til integration med en finite-element analyse for at udtrække præcis spændingsestimering af produkter fremstillet af metallegeringer med betydelig plastisk anisotropi."

For at bygge en model med øget nøjagtighed kombinerede teamet hele flowkurverne, GAN, algoritmedrevet hyperparametertuning og GRU-arkitektur, som er nogle af de vigtigste strategier, der bruges i datavidenskab. Denne nye tilgang letter indlæringen af ​​hele flow-kurvedata i stedet for at være begrænset til at træne opsummerede mekaniske egenskaber, som mange tidligere modeller.

For at teste pålideligheden af ​​den GAN-støttede GRU-model, evaluerede teamet den grundigt under forudsigelige scenarier, lige fra ekstrapolation, interpolation og robusthed, med datasæt af begrænset størrelse. Da modellen blev sat på prøve, estimerede modellen den anisotrope opførsel af ZK60 Mg-legeringer i tre belastningsretninger og under 11 udglødningsbetingelser.

Med disse eksperimenter opdagede holdet, at deres model viste signifikant bedre robusthed og generaliserbarhed end andre modeller designet til at udføre lignende opgaver. Denne overlegne ydeevne tilskrives hovedsageligt GAN-støttet dataforøgelse og understøttes af GRU-arkitekturens fremragende ekstrapoleringsevne og optimering af hyperparametre – parametre, hvis værdier bruges til at styre læringsprocessen.

Derfor tager denne undersøgelse prædiktiv modellering ud over kunstige neurale netværk. Det demonstrerer med succes ML-baserede modellers evne til at estimere den anisotrope deformationsadfærd af smedede Mg-legeringer.

"Den overordnede ydeevne og levetid for komponenter fremstillet af Mg-legering er i høj grad afhængig af den plastiske anisotrope adfærd, som gør prognose og håndtering af deformationer til en vital del af materialedesign. Vi tror på, at modellen vil hjælpe med design og fremstilling af metalprodukter til forskellige applikationer," slutter Prof. Lee.

Flere oplysninger: Sujeong Byun et al., Forbedret forudsigelse af anisotropisk deformationsadfærd ved hjælp af maskinlæring med dataforøgelse, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007

Leveret af Pusan ​​National University