Международная исследовательская группа, состоящая из научных сотрудников Массачусетского технологического института, Университета Брауна и Технологического университета Наньянга в Сингапуре, разработала новую методику оценки механических свойств металлов, основанную на использовании нейросетей, сообщается на сайте МТИ. Результаты исследования опубликованы в научной статье журнала Национальной академии наук США.
По словам учёных, в последние годы были разработаны инструменты, использующие наноматериалы, которые позволяют с высокой точностью измерять некоторые свойства металлических материалов — например, силу при надавливании с точностью до одной миллиардной Ньютона или глубину проникновения в материал острого наконечника длиной в один нанометр. Однако такие методы выдают большие погрешности при измерении пластических свойств металлов — предела текучести, упругости или прочности. При этом их точная оценка крайне важна в производстве металлический конструкций — как с точки зрения качества, так и стоимости материалов. Поэтому учёные разработали методику анализа пластических свойств, использующую машинное обучение, которая, как утверждается, значительно повышает точность измерений.
Новая методика не требует каких-либо изменений в алгоритмах эксперимента или оборудовании — скорее она представляет собой улучшенный способ работы с уже полученными данными. Учёные сначала ввели синтетические данные по измерению свойств металлических материалов, а затем дополнили их небольшим количеством реальных тестовых, благодаря чему стало возможным более точно оценивать твёрдость материалов при достижении предела текучести — традиционные методы в таких случаях дают лишь грубую оценку ввиду физической деформации металлического образца. Опыты были проведены с несколькими различными алюминиевыми и титановыми сплавами — по словам исследователей, метод можно дополнить данными о других сплавах и металлах, что позволит использовать его и при изготовке деталей и конструкций из них. При этом наиболее трудоёмкая часть обучения нейросети происходит заранее, поэтому при проведении тестов и измерений на других сплавах достаточно лишь дополнить её некоторым количеством реальных экспериментальных данных «из методички».
Созданная учёными методика использует преимущества машинного обучения и имеет высокий потенциал в качестве быстрого способа скрининга пластических свойств напечатанных на 3D-принтере конструкций, говорит профессор Хавьер Льорка из Института материалов IMDEA в Мадриде. По его словам, наработки его коллег помогут создавать более точные и устойчивые металлические детали и сооружения.
При этом базовые принципы, использовавшиеся в разработке новой методики, в будущем могут быть задействованы и в других сферах, в которых можно применить машинное обучение, утверждает ведущий инженер проекта Мин Дао. Эту идею возможно применять в широком спектре инженерных задач. Использование реальных экспериментальных данных компенсируют расхождение с моделированием синтетических данных в идеализированных условиях, как идеальная форма наконечника индентора, и учесть погрешность, которая получается при получении «живых» результатов. Используя «гибридные» данные станет возможным получать более точные результаты измерений и других параметров, утверждает Дао.
