Новый инструмент AI рассчитывает напряжение и деформацию материалов на основе фотографий

Исаак Ньютон, возможно, встретил своего соперника.


На протяжении веков инженеры полагались на физические законы, разработанные Ньютоном и другими, чтобы понять напряжения и деформации в материалах, с которыми они работают. Но решение этих уравнений может потребовать больших вычислительных затрат, особенно для сложных материалов.

Исследователи Массачусетского технологического института разработали метод быстрого определения определенных свойств материала, таких как напряжение и деформация, на основе изображения материала, показывающего его внутреннюю структуру. Этот подход может однажды устранить необходимость в сложных вычислениях на основе физики, вместо этого полагаясь на компьютерное и для генерации оценок в реальном времени.

Исследователи говорят, что это продвижение позволит ускорить создание прототипов дизайна и проверку материалов. «Это совершенно новый подход», – говорит Жензе Ян, добавляя, что алгоритм «завершает весь процесс без каких-либо знаний в области физики».

Исследование публикуется сегодня в журнале. Наука продвигается. Ян – ведущий автор и аспирант кафедры материаловедения и инженерии. В числе соавторов бывший постдок Массачусетского технологического института Чи-Хуа Ю и Маркус Бюлер, профессор инженерных наук McAfee и директор лаборатории атомной и молекулярной механики.

Инженеры тратят много времени на решение уравнений. Они помогают выявить внутренние силы материала, такие как напряжение и деформация, которые могут вызвать деформацию или разрушение материала. Такие расчеты могут подсказать, как предлагаемый мост выдержит тяжелую транспортную нагрузку или сильный ветер. В отличие от сэра Исаака, сегодня инженерам не нужны ручка и бумага для выполнения этой задачи. «Многие поколения математиков и инженеров записали эти уравнения, а затем придумали, как их решать на компьютерах», – говорит Бюлер. «Но это по-прежнему сложная проблема. Это очень дорого – запуск некоторых симуляций может занять дни, недели или даже месяцы. Поэтому мы подумали: давайте научим ИИ решать эту задачу за вас».

Исследователи обратились к технике машинного обучения под названием Generative Adversarial Neural Network. Они обучили сеть с помощью тысяч парных изображений: одно изображает внутреннюю микроструктуру материала, подверженную механическим силам, а другое – значения напряжения и деформации того же материала с цветовой кодировкой. С помощью этих примеров сеть использует принципы теории игр для итеративного определения взаимосвязей между геометрией материала и возникающими в результате напряжениями.

«Итак, по изображению может предсказать все эти силы: деформации, напряжения и так далее», – говорит Бюлер. «Это действительно прорыв – обычным способом вам нужно будет закодировать уравнения и попросить компьютер решить уравнения в частных производных. Мы просто переходим по картинке к картинке».

Такой подход, основанный на изображениях, особенно выгоден для сложных композитных материалов. Силы, действующие на материал, в атомном масштабе могут действовать иначе, чем в макроскопическом масштабе. «Если вы посмотрите на самолет, то увидите, что между ними есть клей, металл и полимер. Итак, у вас есть все эти разные грани и разные масштабы, которые определяют решение», – говорит Бюлер. «Если вы пойдете трудным путем – путем Ньютона – вам придется сделать огромный обходной путь, чтобы добраться до ответа».

0 Комментарий
Inline Feedbacks
View all comments