Нано-вдавливание – процесс проталкивания образца материала острым игольчатым кончиком, чтобы увидеть, как материал реагирует на деформацию, – важен во многих производственных приложениях, но его низкая точность для получения определенных ключевых механических свойств материала. материал, препятствовавший его широкому использованию в промышленности.
Используя стандартный процесс наноиндентирования и передав полученные экспериментально измеренные данные в систему машинного обучения нейронной сети, ученые разработали и «обучили» систему предсказывать предел текучести образцов в 20 раз точнее, чем существующие методы.
Новый аналитический метод может снизить потребность в трудоемком и дорогостоящем компьютерном моделировании, чтобы гарантировать, что произведенные детали, используемые в конструктивных приложениях, таких как самолеты и автомобили, а также детали, изготовленные с помощью цифровых технологий производства, таких как 3D-печать, безопасны для использования в реальных условиях. условия жизни.
Старший автор-корреспондент этой статьи, заслуженный профессор Университета NTU Субра Суреш, который также является президентом университета, сказал: «Включив последние достижения в области машинного обучения с нано-вдавливанием, мы показали, что можно повысить точность оценка свойств материалов в 20 раз. Мы также проверили способность этой системы прогнозировать и повышать точность для традиционных алюминиевых сплавов и титановых сплавов, напечатанных на 3D-принтере.
Это указывает на потенциал нашего метода для приложений цифрового производства в Промышленности 4.0, особенно в таких областях, как 3D-печать."
Результаты будут опубликованы в Трудах Национальной академии наук на этой неделе.
Материальные выгоды от гибридного подхода
Метод, разработанный группой исследователей из NTU, MIT и Brown, представляет собой гибридный подход, сочетающий машинное обучение с современными методами наноиндентирования.
Процесс сначала начинается с вдавливания твердого наконечника, обычно сделанного из такого материала, как алмаз, в материал образца с контролируемой скоростью с точно откалиброванным усилием, при этом постоянно измеряется глубина проникновения наконечника в деформируемый материал.
Проблема возникает из-за того, что процесс декодирования полученных экспериментально измеренных данных чрезвычайно сложен и в настоящее время препятствует широкому использованию техники тестирования наноиндентирования в производстве самолетов и автомобилей, по словам профессора НТУ Упадрасты Рамамурти, который имеет Президентская кафедра машиностроения и аэрокосмической техники, материаловедения и инженерии НТУ.
Чтобы повысить точность в таких ситуациях, команда NTU-MIT-Brown разработала продвинутую нейронную сеть – вычислительную систему, свободно смоделированную на человеческом мозге, – и «обучила» ее на сочетании реальных экспериментальных данных и компьютерных данных.
Их "универсальность" приближает к реальным экспериментальным данным, а также к "синтетическим" данным, основанным на физике и компьютерному моделированию (как в двумерном, так и в трехмерном компьютерном моделировании), с помощью алгоритмов глубокого обучения.
Главный научный сотрудник Массачусетского технологического института и приглашенный профессор НТУ Мин Дао сказал, что предыдущие попытки использования машинного обучения для анализа свойств материалов в основном включали использование «синтетических» данных, генерируемых компьютером в нереально идеальных условиях – например, когда форма кончика индентора идеально резкий, а движение индентора идеально плавное. В результате измерения, предсказанные машинным обучением, оказались неточными.
Команда обнаружила, что обучение нейронной сети вначале с использованием синтетических данных с последующим включением относительно небольшого количества реальных экспериментальных данных может существенно повысить точность результатов.
Они также сообщают, что обучение с синтетическими данными может быть выполнено заранее, с добавлением небольшого количества реальных экспериментальных результатов для калибровки, когда дело доходит до оценки свойств реальных материалов.
Профессор Суреш сказал: «Использование реальных экспериментальных точек данных помогает компенсировать идеальный мир, который предполагается в синтетических данных. Используя хорошее сочетание точек данных из идеализированного и реального мира, конечный результат значительно снижает количество ошибок."