یادگیری ماشینی برای پیش‌بینی خواص مکانیکی وابسته به جهت فلزات – ScienceDaily استفاده می‌شود


یک الگوریتم یادگیری ماشینی که در آزمایشگاه‌های ملی ساندیا توسعه یافته است، می‌تواند برای صنایع خودروسازی، هوافضا و سایر صنایع راهی سریع‌تر و مقرون‌به‌صرفه‌تر برای آزمایش مواد فله ارائه کند.

این تکنیک اخیرا در مجله علمی منتشر شده است علم و مهندسی مواد: الف.

توقف تولید پرهزینه است. بنابراین، سازندگان موادی مانند ورق فلز را برای شکل‌پذیری، قبل از استفاده از آن‌ها غربال می‌کنند تا مطمئن شوند که مواد هنگام کوبیده شدن، کشیده شدن و صاف شدن در قسمت‌های مختلف ترک نمی‌خورند. دیوید مونتس د اوکا زاپاین، دانشمند Sandia، نویسنده اصلی مقاله، گفت: شرکت ها اغلب از نرم افزار شبیه سازی تجاری استفاده می کنند که برای نتایج آزمایش های مکانیکی مختلف کالیبره شده است. با این حال، تکمیل این آزمایش ها ممکن است ماه ها طول بکشد.

Montes de Oca Zapiain گفت، در حالی که برخی شبیه‌سازی‌های رایانه‌ای با وفاداری بالا می‌توانند شکل‌پذیری را تنها در چند هفته ارزیابی کنند، شرکت‌ها برای اجرای آنها نیاز به دسترسی به یک ابر رایانه و تخصص تخصصی دارند.

به گفته Montes de Oca Zapiain، Sandia نشان داده است که یادگیری ماشینی می تواند زمان و منابع را برای کالیبره کردن نرم افزارهای تجاری به طور چشمگیری کاهش دهد زیرا این الگوریتم به اطلاعات آزمایش های مکانیکی نیاز ندارد. این روش به یک ابر رایانه نیز نیاز ندارد. علاوه بر این، مسیر جدیدی را برای انجام تحقیقات و توسعه سریعتر باز می کند.

Montes de Oca Zapiain گفت: “شما می توانید به طور موثر از این الگوریتم برای یافتن بالقوه مواد سبک تر با حداقل منابع بدون به خطر انداختن ایمنی یا دقت استفاده کنید.”

الگوریتم جایگزین تست های مکانیکی می شود

الگوریتم یادگیری ماشینی به نام MAD3که به “مکعب دیوانه” تلفظ می شود و مخفف Material Data Driven Design است، به این دلیل کار می کند که آلیاژهای فلزی از دانه های میکروسکوپی و به اصطلاح “کریستالوگرافی” ساخته شده اند. در مجموع، این دانه‌ها بافتی را تشکیل می‌دهند که فلز را در برخی جهات قوی‌تر از سایر جهات می‌کند، پدیده‌ای که محققان آن را ناهمسانگردی مکانیکی می‌نامند.

Montes de Oca Zapiain گفت: ما این مدل را برای درک رابطه بین بافت کریستالوگرافی و پاسخ مکانیکی ناهمسانگرد آموزش داده ایم. برای بدست آوردن بافت یک فلز به یک میکروسکوپ الکترونی نیاز دارید، اما سپس می توانید این اطلاعات را در الگوریتم رها کنید و داده های مورد نیاز نرم افزار شبیه سازی را بدون انجام هیچ گونه آزمایش مکانیکی پیش بینی می کند.

ساندیا با همکاری دانشگاه ایالتی اوهایو، الگوریتم را بر روی نتایج 54000 آزمایش مواد شبیه‌سازی شده با استفاده از تکنیکی به نام شبکه عصبی پیش‌خور آموزش داد. سپس تیم Sandia این الگوریتم را با 20000 ریزساختار جدید برای آزمایش دقت آن ارائه کرد و محاسبات الگوریتم را با داده های جمع آوری شده از آزمایش ها و شبیه سازی های مبتنی بر ابر رایانه مقایسه کرد.

“الگوریتم توسعه‌یافته در مقایسه با شبیه‌سازی‌های با وفاداری بالا، حدود ۱۰۰۰ برابر سریع‌تر است. ما فعالانه در حال کار بر روی بهبود مدل با ترکیب ویژگی‌های پیشرفته برای ثبت تکامل ناهمسانگردی هستیم، زیرا برای پیش‌بینی دقیق محدودیت‌های شکست ماده ضروری است.” هوجون لیم، دانشمند ساندیا، که او نیز در این تحقیق مشارکت داشت، گفت.

به عنوان یک آزمایشگاه امنیت ملی، ساندیا در حال انجام تحقیقات بیشتر برای بررسی اینکه آیا این الگوریتم می تواند فرآیندهای تضمین کیفیت را برای انبار هسته ای ایالات متحده کوتاه کند، جایی که مواد باید قبل از پذیرش برای استفاده در تولید، استانداردهای دقیقی داشته باشند. اداره ملی امنیت هسته ای بودجه تحقیقات یادگیری ماشینی را از طریق برنامه شبیه سازی و محاسبات پیشرفته تامین کرد.

برای اینکه سایر موسسات بتوانند از این فناوری بهره ببرند، ساندیا یک تیم بین رشته‌ای را برای توسعه نرم‌افزار طراحی مبتنی بر داده‌های مبتنی بر گرافیک و کاربرپسند تشکیل داد. این با ورودی بیش از 75 مصاحبه با کاربران بالقوه از طریق برنامه انرژی I-Corps وزارت انرژی توسعه یافته است.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]