三个盒子的顶行是三个不同应变分量的实验测量。最下面一行是相应的网络预测——一个从不同实验中训练出来的神经网络——这说明了这种方法是有效的。编辑:伊利诺伊大学航空航天工程系肉眼可见，一片不锈钢呈现出光滑、抛光、同质的表面。当放大400倍观察时，同样的材料揭示了它真正混乱的结构——不同的晶体形状，以完全不同的角度结合在一起。伊利诺伊大学厄巴纳-香槟分校的研究人员使用不锈钢样本的高分辨率图像数据来训练神经网络，该网络可以预测材料在晶体相遇的地方应变时的行为。约翰·兰布罗斯解释说，在研究不锈钢等材料的特性时，不可能在如此高的放大倍数下进行单独的实验，以至于它受到每一个可以想象的参数的影响——每一个温度、每一个加载角度、每一个压力。所以我们经常依赖模型。
Lambros说:“我们没有使用极其详细和繁琐的具有大量拟合参数的物理模型，而是使用机器学习来训练神经网络来进行这些预测。“机器学习绕过了对过程背后所有物理过程进行详细建模的需要，在输入和输出之间建立了某种直接联系或拟合。
“这是第一次应用这种技术来了解金属微结构在各种载荷条件下会发生什么，”兰布罗斯说。“在这种情况下，我们想知道在蠕变过程中，多晶金属的晶界积累了多少应变。”他解释说，蠕变是固体材料在持续载荷下变形的趋势，就像一些书架最终在书籍的重量下弯曲一样。
兰布罗斯和他的研究生雷纳托·维埃拉以一个假设开始了这项研究。
“我们认为，与边界相邻的两个晶粒之间的物理差异会更重要，或者至少是一个同样重要的参数。所以，对我来说最显著的发现是，一个单一的几何参数能够预测80%的结果，”他说。“最重要的是几何形状——你装载它的角度。我发现这出乎意料且有趣——不是说它不应该影响结果，而是它如此戏剧性地影响了结果。这很令人惊讶，因为这意味着我们为了理解所有的物理学而做的所有复杂的、多尺度的建模可能只有20%重要。”
兰布罗斯补充说，这是一项初步研究。“作为同类中的第一个，在我们能够说这是普遍正确之前，必须有更多的深入研究。”
他指出，它在70%到80%的情况下都是有效的，但是它不能预测所有边界的反应。“这意味着除了角度之外，还有其他因素在影响正在发生的事情。只是这是最重要的，或者说是第一顺序的。”
Lambros说，他希望最终将这项技术以及他们从中学到的东西纳入现有的故障模型。
他说:“到目前为止，我们的机器学习模型只在晶界附近起作用。“我们还无法预测谷物内部会发生什么。所以，第一，我们需要一套不同的输入设备，同样适用于室内。我们有实验性的，但我们需要开发一个不同的模型，并填补空白。
“最终，我们想要的是能够向算法显示微观结构的图像，算法会告诉我们材料何时何地会失效。但是，我们不会从头到尾进行一个大的神经网络拟合，而是在两者之间进行代表其背后的物理过程的步骤，在每个步骤中，我们将利用机器学习来确定适当的输入和输出。”
这项名为“多晶金属晶界应变积累的机器学习神经网络预测”的研究是由雷纳托·维埃拉和约翰·兰布罗斯撰写的。它发表在《实验力学》杂志上，也是该刊的封面。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
