Att optimera avancerade kompositer för specifika slutanvändningar kan vara kostsamt och tidskrävande, kräver att tillverkare testar många prover för att komma fram till den bästa formuleringen. Utredare vid NYU Tandon School of Engineering har utformat ett maskininlärningssystem som använder artificiella neurala nätverk (ANN) som kan extrapoleras från data som härrör från bara ett prov, därigenom snabbt formulera och tillhandahålla analyser på teoretiska grafenförbättrade avancerade kompositer.

Arbetet, ledd av Nikhil Gupta, docent i maskin- och rymdteknik vid NYU Tandon, med Ph.D. student Xianbo Xu och medarbetare på 2-D grafenmaterialtillverkaren GrapheneCa, beskrivs i "Artificiellt neuralt nätverksmetod för att förutsäga elasticitetsmodulen från dynamiska mekaniska analysresultat, " som kommer att visas på insidan av tidskriften Avancerad teori och simuleringar .

Dragprov och dynamisk mekanisk analys (DMA) används i stor utsträckning för att karakterisera materialets viskoelastiska egenskaper vid olika belastningshastigheter och temperaturer. Men detta kräver en genomarbetad experimentell kampanj med ett stort antal prover.

Tandon-teamet hittade ett sätt att kringgå denna process genom att designa ett ANN-baserat tillvägagångssätt som bygger en modell och sedan matar den med data från DMA – ett test av ett materials svar på en given temperatur och belastningsfrekvens (ett mått på belastning som appliceras i cykler )—för att förutsäga hur den kommer att reagera på alla andra temperatur- och tryckkombinationer. Gupta förklarade att ANN extrapolerade från mätningar av provernas förmåga att lagra och avleda energi under olika förhållanden.

"Att testa material under olika förhållanden under produktutvecklingscykeln är en stor kostnad för tillverkare som försöker skapa kompositer för många applikationer, ", noterade Gupta. "Detta system tillåter oss att genomföra ett test och sedan förutsäga egenskaperna under andra förhållanden. Det minskar därför avsevärt mängden experiment som behövs."

"Att tillämpa en artificiell neurala nätverksmetod för att förutsäga egenskaperna hos nanokompositer kan hjälpa till att utveckla ett tillvägagångssätt där modellering kan styra material- och applikationsutvecklingen och minska kostnaderna över tid, " fortsatte Gupta.

"Att arbeta med forskarna vid NYU Tandons avdelning för mekanisk och rymdteknik, vi har utvecklat en ny metod för att förutsäga beteendet hos värmehärdande nanokompositer över ett brett område av temperatur och laddningshastigheter, sade Dr Sergey Voskresensky, Chef för forskning och utveckling vid GrapheneCas New York-baserade produktionsanläggning. "Vidare, Samma tillvägagångssätt kan potentiellt användas för att förutsäga beteendet hos termoplastiska material. Detta är ett avgörande steg mot avancerad kompositproduktion."