Машинное обучение технике обостряет прогнозирование материала механические свойства

Ученые Наньянского технологического университета, Сингапуре (NTU Сингапур), Массачусетский Технологический Институт (MIT) и Университета Брауна разработали новые подходы, которые значительно повышают точность важного материала методика испытаний путем использования силы машинного обучения.

Наноиндентирования — процесс тыкая образца из материала с острыми иглообразными совет, чтобы увидеть, как материал реагирует на деформирование — это важно во многих производственных приложений, но плохую точность в получении некоторых основных механических свойств материала, не позволяет ему быть широко используется в промышленности.

Используя стандартный наноиндентирования процесс и кормить его экспериментально-измеренных данных для нейронной сети системы машинного обучения, ученые разработали и «тренируют» систему для прогнозирования текучести образцов в 20 раз более точно, чем существующие методы.

Новый аналитический метод может уменьшить необходимость трудоемкого и дорогостоящего компьютерного моделирования, чтобы гарантировать, что изготовленные детали, используемые в структурных приложений, таких как самолеты и автомобили, и те, которые сделаны из цифровых технологий, таких как 3D-печати, безопасны для использования в реальных жизненных условиях.

Старший автор статьи, НТУ заслуженный профессор Университета Сюбра Суреш, который является также президент университета, сказал: «с использованием новейших достижений в области машинного обучения с наноиндентирования, мы показали, что можно повысить точность оценки свойств материала на целых 20 раз. Мы также подтвердили правильность этой системы прогнозирования и повышения точности на условно выпускаемых алюминиевых сплавов и 3D-печатных титановых сплавов. Это указывает на наш метод потенциала для цифрового производства применения в промышленности 4.0, особенно в таких областях, как 3D-печать».

Результаты будут опубликованы в Трудах Национальной академии наук на этой неделе.

Материальной выгоды от гибридного подхода

Метод, разработанный командой ученых из НТУ, МТУ, и бурый, является гибридный подход, сочетающий машинного обучения с Государство-оф-искусство наноиндентирования техники.

Процесс сначала начинается с нажатия на жесткий кончик, как правило, сделаны из материала, похожего на алмаз — в материал образца с заданной скоростью с точно выверенной силой, при этом постоянно измеряя глубину проникновения наконечника в материал деформируется.

Проблема возникает потому, что процесс декодирования полученной экспериментально-измеренных данных является чрезвычайно сложным и в настоящее время не позволяют широко использовать наноиндентирования техника проведения, в производстве самолетов и автомобилей, по данным НТУ профессор Upadrasta Ramamurty, который проводит президент кресле в механической и аэрокосмической инженерии и материаловедения и машиностроения в НТУ.

Для повышения точности в таких ситуациях, НТУ-МИТ-коричневый команда разработала передовые нейронная сеть — вычислительная система слабо образцу человеческого мозга-и «тренируют» его с помощью комбинации реальных экспериментальных данных и компьютерных данных. Их «мульти-верность» подход реальных экспериментальных данных, а также основанная на физике и вычислительно смоделированные «синтетические» данные (от двумерного и трехмерного компьютерного моделирования) с глубоким алгоритмы обучения.

МИТ главный научный сотрудник и приглашенный профессор НТУ Минг Дао говорит, что предыдущие попытки с помощью методов машинного обучения для анализа свойств материалов в основном связаны с использованием «синтетических» данных, генерируемых компьютером в нереально идеальных условиях-например, где форма индентора совет является идеально острым, а движения индентора идеально ровный. Измерения, предсказанные машинного обучения были неточными, в результате.

Изначально обучение нейронной сети с помощью синтетических данных, включающих сравнительно небольшое число экспериментальных точек данных, однако, может значительно улучшить точность результатов, исследователи нашли.

Они также сообщают, что обучение с помощью синтетических данных может быть сделано загодя, с небольшим количеством экспериментальных результатов, которые должны быть добавлены для калибровки, когда дело доходит до оценки свойства реальных материалов.

Профессор Суреш сказал: «использование реальных экспериментальных точек данных помогает компенсировать идеального мира, которая предполагается в синтетических данных. С помощью хорошего сочетания точек данных от идеализированного и реального мира, в конечном результате резко снижается ошибка.»

сделать разницу: спонсорские возможности