Isaac Newton可能会遇到他的比赛:新的AI工具根据照片计算材料的压力和应变

AI工具计算压力和应变

麻省理工学院研究人员开发了一种机器学习技术,它使用材料的内部结构的图像来估计作用在材料上的应力和菌株。信贷:由研究人员提供

通过消除复杂方程的需要,预先提前可以加速工程师的设计过程。

Isaac牛顿可能会遇到他的比赛。

几个世纪以来,工程师依赖于物理法律 - 由牛顿和其他人开发 - 了解他们与之合作的材料的压力和菌株。但是解决这些方程可以是计算轨道,特别是对于复杂的材料。

麻省理工学院基于显示其内部结构的材料的图像,研究人员开发了一种快速确定材料的某些性能,如应力和应变。该方法可以一天消除对基于物理的计算的需要,而是依靠计算机视觉和机器学习,实时生成估计。

研究人员表示,该预付款可以实现更快的设计原型设计和材料检查。“这是一种全新的方法,”Zhenze Yang说,算法“完成了整个过程而没有任何域的物理知识。”

这项研究今天出现在日志中科学推进。杨是本文的主要作者和材料科学与工程系的博士生。共同作者包括前麻省理工学院Postdoc Chi-hua Yu和Markus Buehler,McAfee工程教授和原子原子学和分子机制实验室的主任。

工程师花了很多时间解决方程。它们有助于揭示材料的内部力,如压力和菌株,这可能导致该材料变形或破裂。此类计算可能会暗示拟议的桥梁如何在繁忙的交通负荷或高风中持有。与ISAAC爵士不同,工程师今天不需要为任务进行笔和纸。“许多几代数学家和工程师已经写下了这些方程,然后弄清楚了如何在计算机上解决它们,”Buehler说。“但这仍然是一个艰难的问题。这是非常昂贵的 - 它可能需要几天,几周甚至几个月来运行一些模拟。所以,我们思考:让我们教导AI为你做这个问题。“

研究人员转向了一种称为生成的对抗性神经网络的机器学习技术。它们培训了数千个配对图像的网络 - 一个描绘了受到机械力的材料的内部微观结构,另一个描述了相同的材料的颜色编码应力和应变值。利用这些示例,网络使用游戏理论的原理来迭代地确定材料的几何形状与其产生的应力之间的关系。

“所以,从一张图片中,计算机能够预测所有这些力量:变形,压力等,”Buehler说。“这真的是突破 - 以常规方式,您需要编写方程式并要求计算机求解部分微分方程。我们只是去图片。“

深度学习预测物理领域

该可视化显示了在给定不同输入几何形状的物理字段中预测物理字段的深度学习方法。左图显示了软材料伸长的复合材料的变化几何形状,并且右图显示了对应于左图中的几何形状的预测机械场。信用:麻省理工学院

基于图像的方法对于复合物,复合材料是特别有利的。材料上的力可以在原子尺度上以不同于宏观尺度的不同方式运行。“如果你看一架飞机,你可能会胶水,金属和聚合物。所以,你有所有这些不同的面部和不同的尺度来确定解决方案,“Buehler说。“如果你走艰难的方式 - 牛顿方式 - 你必须走一个巨大的绕道来获得答案。”

但研究人员的网络擅长处理多种尺度。它通过一系列“卷积”来处理信息,该信息在逐步更大的尺度上分析图像。“这就是为什么这些神经网络很适合描述材料属性,”Buehler说。

在测试中,完全训练的网络在测试中表现良好,成功地渲染应力和应变值给出了各种软复合材料的微观结构的一系列特写图像。网络甚至能够捕获“奇点”,就像在材料中发展的裂缝一样。在这些情况下,力量和田地在微小的距离上迅速变化。“作为一个重要的科学家,你想知道该模型是否可以重新创建这些奇点,”Buehler说。“答案是肯定的。”

模拟失效复杂的材料

这种可视化通过基于机器学习的方法显示了复杂材料中的模拟失败,而无需解决机械的控制方程。红色表示软质材料,白色代表脆性材料,绿色代表裂纹。信用:麻省理工学院

由于没有参与研究的Rensselaer理工学院的机械工程师,Suvranu de,此前可以“显着减少设计产品所需的迭代”。“本文提出的端到端方法将对各种工程应用产生重大影响 - 从汽车和飞机行业中使用的复合材料到自然和工程生物材料。它还将在纯科学探究领域具有重要应用,因为力在从微/纳米电子学到迁移和分化的令人惊讶的广泛应用中发挥着关键作用。“

除了节省工程师的时间和金钱外,新技术还可以向非专业技术提供最先进的材料计算。例如,建筑师或产品设计师可以在将项目传递到工程团队之前测试他们的想法的可行性。“他们可以绘制他们的提议并找出答案,”Buehler说。“这是一个很大的事。”

曾经接受过培训,网络几乎瞬间运行在消费者级计算机处理器上。这可以使机械师和检查员能够简单地通过拍照来诊断机械的潜在问题。

在新论文中,研究人员主要使用复合材料,包括在各种随机几何布置中的软和脆性分量。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,”Buehler说。“赋予AI的工程师权力真的是我们在这里做的事情。”

参考:“深度学习模型,以预测层次复合材料中复古和应变场”的Zhenze Yang,Chi-Hua Yu和Markus J.Buehler,4月9日,4月9日,科学推进
DOI:10.1126 / sciadv.abd7416

陆军研究办公室和海军研究办公室提供了本研究的资金。

是第一个评论在“ISAAC牛顿可能会遇到他的比赛:新的AI工具根据照片计算材料的压力和应变”

发表评论

电子邮件地址是可选的。如果提供的话,您的电子邮件不会发布或共享。