Tool berekent de spanning en belasting van materialen op basis van foto's

Onderzoekers hebben een techniek ontwikkeld om snel bepaalde eigenschappen van een materiaal te bepalen, zoals spanning en rek, op basis van een afbeelding van het materiaal waarop de interne structuur te zien is. De aanpak zou op een dag de noodzaak voor op fysica gebaseerde berekeningen kunnen elimineren, in plaats daarvan te vertrouwen op computervisie en machine learning om schattingen in realtime te genereren. De vooruitgang kan snellere ontwerpprototyping en materiaalinspecties mogelijk maken.

Berekeningen helpen bij het onthullen van de interne krachten van een materiaal, zoals spanning en spanning, waardoor dat materiaal kan vervormen of breken. Dergelijke berekeningen kunnen suggereren hoe een voorgestelde brug zich zou houden te midden van zware verkeersbelastingen of harde wind. De onderzoekers gebruikten een machine learning-techniek, een Generative Adversarial Neural Network genaamd, die werd getraind met duizenden gepaarde afbeeldingen - een die de interne microstructuur van een materiaal weergeeft die onderhevig is aan mechanische krachten en de andere die de kleurgecodeerde spannings- en rekwaarden van datzelfde materiaal weergeeft. Met deze voorbeelden gebruikt het netwerk principes van speltheorie om iteratief de relaties tussen de geometrie van een materiaal en de resulterende spanningen te achterhalen.

De op afbeeldingen gebaseerde benadering is vooral voordelig voor complexe composietmaterialen. Krachten op een materiaal kunnen op atomaire schaal anders werken dan op macroscopische schaal.

Maar het netwerk van de onderzoeker is bedreven in het omgaan met meerdere schalen. Het verwerkt informatie via een reeks "windingen" die de beelden op steeds grotere schaal analyseren.

Het volledig getrainde netwerk heeft met succes spannings- en rekwaarden weergegeven aan de hand van een reeks close-upbeelden van de microstructuur van verschillende zachte composietmaterialen. Het netwerk was zelfs in staat om "singulariteiten" vast te leggen, zoals scheuren die zich in een materiaal ontwikkelen. In deze gevallen veranderen krachten en velden snel over kleine afstanden.

De vooruitgang zou de iteraties die nodig zijn om producten te ontwerpen aanzienlijk kunnen verminderen. De end-to-end-benadering kan een aanzienlijke impact hebben op een verscheidenheid aan technische toepassingen, van composieten die worden gebruikt in de auto- en vliegtuigindustrie tot natuurlijke en technische biomaterialen.

De nieuwe techniek bespaart ingenieurs niet alleen tijd en geld, maar kan ook niet-experts toegang geven tot geavanceerde materiaalberekeningen. Productontwerpers kunnen bijvoorbeeld de levensvatbaarheid van hun ideeën testen voordat ze het project doorgeven aan een technisch team.

Eenmaal getraind, draait het netwerk vrijwel onmiddellijk op computerprocessors van consumentenkwaliteit. Dat zou monteurs en inspecteurs in staat kunnen stellen potentiële problemen met machines te diagnosticeren door simpelweg een foto te maken.

De onderzoekers werkten voornamelijk met composietmaterialen die zowel zachte als brosse componenten bevatten in verschillende willekeurige geometrische arrangementen. In de toekomst zijn ze van plan een breder scala aan materiaalsoorten te gebruiken.