Современные научные исследования на материалах в значительной степени опирается на изучение их поведения в атомных и молекулярных масштабах. По этой причине ученые постоянно находятся в поиске новых и усовершенствованных методов сбора данных и анализа материалов в этих масштабах.
Исследователи из Центра наноразмерных материалов (УНМ), американское министерство энергетики (Doe) Управление по науке пользователей объекта, расположенного по ДОУ Аргоннской национальной лаборатории, изобрели машинного обучения на основе алгоритма для определения количественных показателей, в трех измерениях, материалы с характеристиками как малые, как Нм. Исследователи могут применять эту важную находку на анализ большинство строительных материалов, представляющих интерес для промышленности.
«Что делает наш алгоритм уникальным является то, что если начать с того материала, для которого вы знаете по сути ничего о микроструктуре, он, в течение нескольких секунд, сказать пользователю точную микроструктуру во всех трех измерениях», — сказал Субраманьян Sankaranarayanan, руководитель группы Национального совета по делам женщин теория и моделирование группы и доцент кафедры механической и промышленной инженерии в Университете штата Иллинойс в Чикаго.
«Например, данные проанализированы с помощью нашей 3D инструмент», — сказал Генри Чан, НСЖ постдок и ведущий автор исследования, «пользователи могут обнаружить дефекты и поломки и потенциально предсказать жизней под разными напряжениями и деформациями для всех видов строительных материалов».
Большинство конструкционных материалов являются поликристаллическими, т. е. выборки, используемой для целей анализа может содержать миллионы зерен. Размер и распределение этих зерен и пустот в образце критического микроструктурные особенности, которые влияют на важные физические, механические, оптические, химические и термические свойства. Такие знания важны, например, для открытия новых материалов с заданными свойствами, например, более прочные и твердые компоненты машины, которые длятся дольше.
В прошлом, ученые визуализировали 3D особенности микроструктурных в материал путем создания моментальных снимков на микроуровне многих 2Д срезов, обработка отдельных ломтиков, а затем вставить их вместе, чтобы сформировать 3D-изображение. Так обстоит дело, например, с помощью компьютерной томографии планового сканирования делают в больницах. Однако этот процесс является неэффективным и приводит к потере информации. Исследователи, таким образом, поиск более эффективных методов 3D-анализ.
«Сначала,» сказал Мэтью Cherukara, ассистент научный сотрудник ЦВММ, «мы думали, проектирования перехватить алгоритм для поиска всех границ среди многочисленных зерен в образце до отображения всей микроструктуры в трех измерениях, но как вы можете себе представить, с миллионами зерен, что чрезвычайно трудоемко и неэффективно.»
«Красота наши алгоритмы машинного обучения заключается в том, что он использует алгоритм без присмотра, чтобы справиться с проблемой границы и получить очень точные результаты с высокой эффективностью», — сказал Чан. «В сочетании с ником-методы отбора проб, она занимает всего несколько секунд, чтобы обработать большой 3D образцы и получить точные микроструктурные информацию, которая является надежной и устойчивой к шуму.»
Команда успешно протестирован алгоритм, по сравнению с данными, полученными из анализа нескольких различных металлов (алюминия, железа, кремния и титана) и мягких материалов (полимеров, мицелл). Эти данные пришли из ранее опубликованных экспериментов, а также компьютерного моделирования работать на два офиса Пупкин науки / удобства пользователя, руководство вычислительного комплекса и Аргоннской национальной энергетической научно-исследовательский вычислительный центр. Также используется в данном исследовании в Лаборатории вычислительной Ресурсного центра в Аргонне и углеродного кластера в НСЖ.
«Для исследователей, используя наш инструмент, основным преимуществом является не только впечатляющие 3D-изображения автоматически, но, главное, подробная характеристика данные», — сказал Sankaranarayanan. «Они могут даже количественно и визуально отслеживать эволюцию микроструктуры, как она меняется в режиме реального времени».
Машина-алгоритм обучения не ограничивается твердыми веществами. Команда продлила его, включив характеристик распределения молекулярных кластеров в жидкостях с важных энергетических, химических и биологических приложений.
Эта машина-средство обучения должно оказаться особенно эффективным для дальнейшего анализа в реальном времени данных, полученных от крупных материаловедческих услуг, таких как предварительный источник фотона, другой конторе Пупкин науки пользователем объекта в Аргонне, и других синхротронах во всем мире.
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!