ツールは写真に基づいて材料の応力とひずみを計算します
研究者は、内部構造を示す材料の画像に基づいて、応力やひずみなどの材料の特定の特性をすばやく決定する手法を開発しました。このアプローチは、いつの日か物理学に基づく計算の必要性を排除し、代わりにコンピュータービジョンと機械学習に依存してリアルタイムで推定値を生成する可能性があります。この進歩により、設計のプロトタイピングと材料検査をより迅速に行えるようになる可能性があります。
計算は、応力やひずみなどの材料の内力を明らかにするのに役立ちます。これにより、材料が変形または破損する可能性があります。そのような計算は、提案された橋が交通量の多い負荷や強風の中でどのように持ちこたえるかを示唆しているかもしれません。研究者は、数千のペア画像でトレーニングされた生成的敵対的ニューラルネットワークと呼ばれる機械学習技術を使用しました。1つは機械的な力を受ける材料の内部微細構造を示し、もう1つは同じ材料の色分けされた応力とひずみの値を示します。これらの例では、ネットワークはゲーム理論の原理を使用して、材料の形状とその結果生じる応力との関係を繰り返し把握しています。
画像ベースのアプローチは、複雑な複合材料に特に有利です。材料にかかる力は、原子スケールと巨視的スケールでは異なる動作をする可能性があります。
しかし、研究者のネットワークは複数のスケールを扱うことに長けています。徐々に大きなスケールで画像を分析する一連の「畳み込み」を通じて情報を処理します。
完全にトレーニングされたネットワークは、さまざまな軟質複合材料の微細構造の一連のクローズアップ画像を前提として、応力とひずみの値を正常にレンダリングしました。ネットワークは、材料に発生する亀裂のような「特異点」を捉えることさえできました。このような場合、力と場はわずかな距離で急速に変化します。
この進歩により、製品の設計に必要な反復を大幅に減らすことができます。エンドツーエンドのアプローチは、自動車や航空機産業で使用される複合材料から、天然および人工の生体材料まで、さまざまなエンジニアリングアプリケーションに大きな影響を与える可能性があります。
エンジニアの時間とお金を節約することに加えて、新しい技術は非専門家に最先端の材料計算へのアクセスを与えることができます。たとえば、製品設計者は、プロジェクトをエンジニアリングチームに渡す前に、アイデアの実行可能性をテストできます。
トレーニングが完了すると、ネットワークは消費者向けのコンピュータプロセッサでほぼ瞬時に実行されます。これにより、整備士や検査官は、写真を撮るだけで機械の潜在的な問題を診断できるようになります。
研究者は主に、さまざまなランダムな幾何学的配置の柔らかいコンポーネントと脆いコンポーネントの両方を含む複合材料を扱いました。将来の作業では、より幅広い種類の材料を使用する予定です。
センサー