作者丹尼尔·阿克曼,麻省理工学院 麻省理工学院的研究人员开发了一种机器学习技术,利用材料内部结构的图像来估计作用在材料上的应力和应变
学分:麻省理工学院 艾萨克·牛顿可能遇到了他的对手
几个世纪以来,工程师们依靠牛顿和其他人提出的物理定律来理解他们所用材料上的应力和应变
但是求解这些方程可能是一个计算过程,特别是对于复杂的材料
麻省理工学院的研究人员开发了一种技术,可以根据显示材料内部结构的图像,快速确定材料的某些特性,如应力和应变
这种方法有朝一日可能不再需要费力的基于物理的计算,而是依靠计算机视觉和机器学习来实时生成估计值
研究人员表示,这一进步可以加快设计原型和材料检查的速度
“这是一种全新的方法,”杨振泽说,并补充说该算法“在没有任何物理领域知识的情况下完成了整个过程”
" 这项研究发表在今天的《《科学进展》》杂志上
杨是该论文的第一作者,博士
D
材料科学与工程系的学生
合著者包括前麻省理工学院博士后余志华和马库斯·布勒,迈克菲工程教授和原子分子力学实验室主任
工程师花大量时间解方程
它们有助于揭示材料的内力,如应力和应变,这会导致材料变形或断裂
这样的计算可能会暗示一座拟建的桥梁在繁忙的交通负荷或强风中是如何支撑的
与艾萨克爵士不同,今天的工程师不需要纸和笔来完成任务
布勒说:“几代数学家和工程师已经写下了这些方程,然后想出了如何在计算机上求解它们。”
“但这仍然是一个棘手的问题
它非常昂贵——运行一些模拟可能需要几天、几周甚至几个月
所以,我们想:让我们教一个人工智能来帮你解决这个问题
" 研究人员转向一种叫做生成对抗神经网络的机器学习技术
他们用数以千计的成对图像训练网络——一幅描绘了材料在机械力作用下的内部微观结构,另一幅描绘了同一种材料的彩色编码应力和应变值
有了这些例子,网络使用博弈论的原理来迭代地计算出材料的几何形状和它产生的应力之间的关系
布勒说:“因此,从一张图片来看,计算机能够预测所有这些力:变形、应力等等。”
“这真的是一个突破——用传统的方法,你需要对方程进行编码,并要求计算机求解偏微分方程
我们只是一张一张地看
" 这种基于图像的方法对于复杂的复合材料尤其有利
作用在材料上的力在原子尺度上的作用可能不同于宏观尺度
“如果你看一架飞机,你可能会发现中间有胶水、金属和聚合物
所以,你有所有这些不同的面孔和不同的尺度来决定解决方案,”布勒说
“如果你走的是艰难的道路——牛顿之路——你必须走很长的弯路才能找到答案
" 但是研究者的网络擅长处理多种尺度
它通过一系列的“卷积”处理信息,这些卷积以逐渐增大的尺度分析图像
布勒说:“这就是为什么这些神经网络非常适合描述材料特性。”
经过充分训练的网络在测试中表现良好,成功地绘制了应力和应变值,给出了各种软复合材料微观结构的一系列特写图像
该网络甚至能够捕捉“奇异点”,比如材料中出现的裂缝
在这些情况下,力和场在很小的距离内迅速变化
布勒说:“作为一名材料科学家,你会想知道这个模型能否重现那些奇异点。”
“答案是肯定的
" 伦斯勒理工学院的机械工程师苏夫拉努·德没有参与这项研究,他说,这项进展可以“大大减少设计产品所需的迭代次数”
“本文中提出的端到端方法将对各种工程应用产生重大影响——从用于汽车和飞机工业的复合材料到天然和工程生物材料
它还将在纯科学研究领域有重要的应用,因为力在从微电子学/纳米电子学到细胞迁移和分化的惊人广泛的应用中起着关键作用
" 除了节省工程师的时间和金钱之外,这项新技术还可以让非专家接触到最先进的材料计算
例如,建筑师或产品设计师可以在将项目交给工程团队之前测试他们想法的可行性
布勒说:“他们可以起草他们的提案,然后找出答案。”
“那是件大事
" 一旦经过训练,该网络几乎可以在消费级计算机处理器上即时运行
这可以让机械师和检查员简单地通过拍照来诊断机器的潜在问题
在这篇新论文中,研究人员主要研究复合材料,包括各种随机几何排列的软部件和脆性部件
在未来的工作中,团队计划使用更广泛的材料类型
“我真的认为这种方法会产生巨大的影响,”布勒说
“用人工智能来增强工程师的能力,这正是我们在这里要做的
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!