AI-gestuurde afbeeldingstool voorspelt materiaalspanning en -rek in realtime

Onderzoekers hebben een techniek ontwikkeld om snel bepaalde eigenschappen van een materiaal, zoals spanning en rek, te bepalen op basis van een afbeelding van het materiaal die de interne structuur toont. De benadering kan in de toekomst de noodzaak voor fysica-gebaseerde berekeningen elimineren, in plaats daarvan vertrouwend op computervisie en machine learning om schattingen in realtime te genereren. De vooruitgang kan sneller ontwerpprotypen en materiaalinspecties mogelijk maken.

Van berekeningen naar deep learning

Berekeningen helpen de interne krachten van een materiaal, zoals spanning en rek, te onthullen, die dat materiaal kunnen vervormen of breken. Zulke berekeningen kunnen suggereren hoe een voorgestelde brug zou standhouden onder zwaar verkeer of hoge winden. De onderzoekers gebruikten een machine learning-techniek genaamd Generative Adversarial Neural Network die getraind werd met duizenden gepaarde afbeeldingen – een die de interne microstructuur van een materiaal onder mechanische krachten weergeeft en de ander die dieelfde materiaal's kleurgecodeerde spanning- en rekwaarden weergeeft. Met deze voorbeelden gebruikt het netwerk speltheorie-principes om iteratief de relaties tussen de geometrie van een materiaal en de resulterende spanningen te ontdekken.

Voordelen voor complexe composietmaterialen

De afbeeldingsbenadering is vooral voordelig voor complexe composietmaterialen. Krachten op een materiaal kunnen op atoomschaal anders werken dan op macroscopische schaal.

Maar het netwerk van de onderzoekers is handig in het omgaan met meerdere schalen. Het verwerkt informatie door een serie „convoluties” die de afbeeldingen analyseren op progressief grotere schalen.

Het volledig getrainde netwerk rendereerde met succes spanning- en rekwaarden gegeven een reeks close-up afbeeldingen van de microstructuur van diverse zachte composietmaterialen. Het netwerk was zelfs in staat om „singulariteiten” te vangen zoals scheuren die zich in een materiaal ontwikkelen. In deze gevallen veranderen krachten en velden snel over kleine afstanden.

Impact op ingenieurs-toepassingen

De vooruitgang kan de iteraties die nodig zijn om producten te ontwerpen aanzienlijk reduceren. De end-to-end benadering kan een significante impact hebben op diverse ingenieurs-toepassingen, van composieten in de auto- en vliegtuigindustrie, tot natuurlijke en kunstmatige biomaterialen.

Naast het besparen van tijd en geld voor ingenieurs, kan de nieuwe techniek niet-experts toegang geven tot state-of-the-art materiaalberekeningen. Productontwerpers kunnen bijvoorbeeld de haalbaarheid van hun ideeën testen voordat ze het project doorgeven aan een engineering-team.

Eenmaal getraind, draait het netwerk bijna direct op consumentencomputers. Dat kan monteurs en inspecteurs in staat stellen om potentiële problemen met machines te diagnosticeren door simpelweg een foto te maken.

De onderzoekers werkten voornamelijk met composietmaterialen die zowel zachte als bros componenten bevatten in diverse willekeurige geometrische arrangementen. In toekomstig werk plannen ze een breder scala aan materiaaltypen te gebruiken.