Forskare vid Nanyang Technological University, Singapore (NTU Singapore), Massachusetts Institute of Technology (MIT), och Brown University har utvecklat nya tillvägagångssätt som avsevärt förbättrar noggrannheten hos en viktig materialtestteknik genom att utnyttja kraften i maskininlärning.

Nano-indrag, processen att peta ett prov av ett material med en skarp nålliknande spets för att se hur materialet reagerar genom att deformeras, är viktigt i många tillverkningstillämpningar, men dess dåliga noggrannhet när det gäller att erhålla vissa viktiga mekaniska egenskaper hos ett material har förhindrat att det används i stor utsträckning inom industrin.

Genom att använda standard nano-indragningsprocessen och mata dess experimentellt uppmätta data till ett neuralt nätverk maskininlärningssystem, forskarna utvecklade och utbildade systemet för att förutsäga provutbytesstyrka 20 gånger mer exakt än befintliga metoder.

Den nya analytiska tekniken kan minska behovet av tidskrävande och kostsamma datasimuleringar för att säkerställa att tillverkade delar används i konstruktionsapplikationer som flygplan och bilar, och de som är gjorda av digital tillverkningsteknik som 3D-utskrift är säkra att använda under verkliga förhållanden.

Senior motsvarande författare till detta dokument, NTU Distinguished University Professor Subra Suresh, som också är universitetspresident, sa, "Genom att införliva de senaste framstegen inom maskininlärning med nano-indrag, vi har visat att det är möjligt att förbättra precisionen i uppskattningarna av materialegenskaper med upp till 20 gånger. Vi har också validerat detta systems förutsägbara förmåga och förbättring av noggrannhet på konventionellt tillverkade aluminiumlegeringar och 3D-tryckta titanlegeringar. Detta pekar på vår metod potential för digitala tillverkningsapplikationer inom Industry 4.0, särskilt inom områden som 3D-utskrift. "

Resultaten kommer att publiceras i Förfaranden från National Academy of Sciences Denna vecka.

Materialfördelar med en hybridmetod

Metoden, utvecklat av forskargruppen från NTU, MIT, och Brown, är en hybridmetod som kombinerar maskininlärning med toppmoderna nano-indragningstekniker.

Processen börjar först med att pressa en hård spets - vanligtvis gjord av ett material som diamant - i provmaterialet med en kontrollerad hastighet med exakt kalibrerad kraft, ständigt mäta spetsens penetrationsdjup in i materialet som deformeras.

Utmaningen uppstår eftersom processen för avkodning av de resulterande experimentellt uppmätta data är extremt komplex och för närvarande förhindrar en utbredd användning av nano-indragningsteknik, vid tillverkning av flygplan och bilar, enligt NTU -professor Upadrasta Ramamurty, som innehar presidentstolen i mekanisk och rymdteknik och materialvetenskap och teknik vid NTU.

För att förbättra noggrannheten i sådana situationer, NTU-MIT-Brown-teamet utvecklade ett avancerat neuralt nätverk-ett datorsystem som modellerades löst på den mänskliga hjärnan-och "tränade" det med en kombination av verkliga experimentella data och datorgenererade data. Deras "multi-fidelity" närmar sig verkliga experimentella data samt fysikbaserade och beräkningssimulerade "syntetiska" data (från både tvådimensionella och tredimensionella datorsimuleringar) med algoritmer för djupinlärning.

MIT:s främsta forskningsvetare och NTU -besökande professor Ming Dao sa att tidigare försök att använda maskininlärning för att analysera materialegenskaper involverade mestadels användningen av "syntetisk" data som genererats av datorn under orealistiskt perfekta förhållanden - till exempel där formen på indragspetsen är helt skarp, och indragarens rörelse är helt smidig. Mätningarna som förutses av maskininlärning var felaktiga som ett resultat.

Inledningsvis träna det neurala nätverket med syntetiska data, då införlivas ett relativt litet antal verkliga experimentella datapunkter, dock, kan avsevärt förbättra resultatens noggrannhet, laget hittade.

De rapporterar också att träningen med syntetiska data kan göras i förväg, med ett litet antal verkliga experimentella resultat som ska läggas till för kalibrering när det gäller att utvärdera egenskaperna hos verkliga material.

Prof Suresh sa:"Användningen av verkliga experimentella datapunkter hjälper till att kompensera för den idealvärld som antas i syntetiska data. Genom att använda en bra blandning av datapunkter från den idealiserade och verkliga världen, slutresultatet är ett drastiskt reducerat fel. "