Los científicos de la Universidad Tecnológica de Nanyang, Singapur NTU Singapur, el Instituto de Tecnología de Massachusetts MIT y la Universidad de Brown han desarrollado nuevos enfoques que mejoran significativamente la precisión de una técnica importante de prueba de materiales al aprovechar el poder del aprendizaje automático.
Nano-indentación - el proceso de pinchar una muestra de un material con una punta afilada en forma de aguja para ver cómo responde el material al deformarse - es importante en muchas aplicaciones de fabricación, pero su poca precisión en la obtención de ciertas propiedades mecánicas clavede un material, ha impedido que se use ampliamente en la industria.
Utilizando el proceso estándar de nano-indentación y alimentando sus datos medidos experimentalmente a un sistema de aprendizaje automático de red neuronal, los científicos desarrollaron y 'entrenaron' el sistema para predecir la fuerza del rendimiento de las muestras 20 veces más exactamente que los métodos existentes.
La nueva técnica analítica podría reducir la necesidad de simulaciones por computadora costosas y que consumen mucho tiempo, para garantizar que las piezas fabricadas utilizadas en aplicaciones estructurales como aviones y automóviles, y aquellas fabricadas con técnicas de fabricación digital como la impresión 3D sean seguras de usarcondiciones de la vida real.
El autor principal correspondiente de este artículo, el profesor universitario distinguido NTU Subra Suresh, quien también es el presidente de la universidad, dijo: "Al incorporar los últimos avances en aprendizaje automático con nano-sangría, hemos demostrado que es posible mejorar elprecisión de las estimaciones de las propiedades del material hasta 20 veces. También hemos validado la capacidad predictiva y la mejora de la precisión de este sistema en aleaciones de aluminio fabricadas de manera convencional y aleaciones de titanio impresas en 3D. Esto apunta al potencial de nuestro método para aplicaciones de fabricación digital en la Industria 4.0, especialmente en áreas como la impresión 3D "
Los resultados se publicarán en el Actas de la Academia Nacional de Ciencias esta semana
El material se beneficia de un enfoque híbrido
El método, desarrollado por el equipo de investigadores de NTU, MIT y Brown, es un enfoque híbrido que combina el aprendizaje automático con técnicas de nano-indentación de última generación.
El proceso comienza primero presionando una punta dura, típicamente hecha de un material como el diamante, en el material de muestra a una velocidad controlada con una fuerza calibrada con precisión, mientras mide constantemente la profundidad de penetración de la punta en el material que se está deformando.
El desafío surge porque el proceso de decodificación de los datos resultantes medidos experimentalmente es extremadamente complejo y actualmente está evitando el uso generalizado de la técnica de prueba de nano-indentación, en la fabricación de aviones y automóviles, según el profesor Upadrasta Ramamurty de NTU, quienocupa la Presidencia del Presidente en Ingeniería Mecánica y Aeroespacial y Ciencia e Ingeniería de Materiales en NTU.
Para mejorar la precisión en tales situaciones, el equipo NTU-MIT-Brown desarrolló una red neuronal avanzada, un sistema informático modelado libremente en el cerebro humano, y lo 'entrenó' con una combinación de datos experimentales reales y generados por computadoradatos. Su enfoque de "fidelidad múltiple" datos experimentales reales, así como datos "sintéticos" simulados computacionalmente y basados en la física de simulaciones de computadora bidimensionales y tridimensionales con algoritmos de aprendizaje profundo.
El investigador principal del MIT y el profesor visitante de NTU, Ming Dao, dijo que los intentos anteriores de utilizar el aprendizaje automático para analizar las propiedades de los materiales implicaban principalmente el uso de datos "sintéticos" generados por la computadora en condiciones irrealmente perfectas, por ejemplo, donde la forma della punta del penetrador está perfectamente afilada y el movimiento del penetrador es perfectamente suave. Como resultado, las mediciones predichas por el aprendizaje automático fueron inexactas.
El entrenamiento de la red neuronal inicialmente con datos sintéticos, luego incorporando un número relativamente pequeño de puntos de datos experimentales reales, sin embargo, puede mejorar sustancialmente la precisión de los resultados, encontró el equipo.
También informan que el entrenamiento con datos sintéticos se puede realizar con anticipación, con un pequeño número de resultados experimentales reales que se agregarán para la calibración a la hora de evaluar las propiedades de los materiales reales.
El profesor Suresh dijo: "El uso de puntos de datos experimentales reales ayuda a compensar el mundo ideal que se supone en los datos sintéticos. Al usar una buena combinación de puntos de datos del mundo idealizado y real, el resultado final es drásticamenteerror reducido "
Fuente de la historia :
Materiales proporcionado por Universidad Tecnológica de Nanyang . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :