Científicos de la Universidad Tecnológica de Nanyang, Singapur (NTU Singapur), Instituto de Tecnología de Massachusetts (MIT), y la Universidad de Brown han desarrollado nuevos enfoques que mejoran significativamente la precisión de una importante técnica de prueba de materiales al aprovechar el poder del aprendizaje automático.

Nano-sangría, el proceso de pinchar una muestra de un material con una punta afilada en forma de aguja para ver cómo responde el material al deformarse, es importante en muchas aplicaciones de fabricación, pero su escasa precisión para obtener determinadas propiedades mecánicas clave de un material ha impedido que se utilice ampliamente en la industria.

Al utilizar el proceso estándar de nano indentación y alimentar sus datos medidos experimentalmente a un sistema de aprendizaje automático de red neuronal, los científicos desarrollaron y entrenaron el sistema para predecir el límite elástico de la muestra con una precisión 20 veces mayor que los métodos existentes.

La nueva técnica analítica podría reducir la necesidad de simulaciones por computadora costosas y que consumen mucho tiempo para garantizar que las piezas fabricadas utilizadas en aplicaciones estructurales como aviones y automóviles, y los hechos a partir de técnicas de fabricación digital como la impresión 3-D son seguros de usar en condiciones de la vida real.

El autor principal de correspondencia de este artículo, Subra Suresh, profesora universitaria distinguida de la NTU, quien también es el rector de la universidad, dijo, "Al incorporar los últimos avances en aprendizaje automático con nano indentación, Hemos demostrado que es posible mejorar la precisión de las estimaciones de las propiedades de los materiales hasta en 20 veces. También hemos validado la capacidad predictiva de este sistema y la mejora de la precisión en aleaciones de aluminio fabricadas de manera convencional y aleaciones de titanio impresas en 3D. Esto apunta al potencial de nuestro método para aplicaciones de fabricación digital en la Industria 4.0, especialmente en áreas como la impresión 3D ".

Los hallazgos se publicarán en el procedimientos de la Academia Nacional de Ciencias esta semana.

Beneficios materiales de un enfoque híbrido

El método, desarrollado por el equipo de investigadores de NTU, MIT, y marrón, es un enfoque híbrido que combina el aprendizaje automático con técnicas de nano-indentación de última generación.

El proceso comienza primero presionando una punta dura, generalmente hecha de un material como el diamante, en el material de muestra a una velocidad controlada con una fuerza calibrada con precisión. mientras mide constantemente la profundidad de penetración de la punta en el material que se deforma.

El desafío surge porque el proceso de decodificación de los datos resultantes medidos experimentalmente es extremadamente complejo y actualmente impide el uso generalizado de la técnica de prueba de nano-indentación. en la fabricación de aviones y automóviles, según el profesor de NTU Upadrasta Ramamurty, quien ocupa la Cátedra del Presidente en Ingeniería Mecánica y Aeroespacial y Ciencia e Ingeniería de Materiales en NTU.

Para mejorar la precisión en tales situaciones, El equipo de NTU-MIT-Brown desarrolló una red neuronal avanzada, un sistema informático modelado libremente en el cerebro humano, y lo "entrenó" con una combinación de datos experimentales reales y datos generados por computadora. Su enfoque de "multifidelidad" se basa en datos experimentales reales, así como datos "sintéticos" basados ​​en la física y simulados computacionalmente (de simulaciones por computadora bidimensionales y tridimensionales) con algoritmos de aprendizaje profundo.

El científico investigador principal del MIT y profesor visitante de la NTU, Ming Dao, dijo que los intentos anteriores de usar el aprendizaje automático para analizar las propiedades de los materiales involucraron principalmente el uso de datos "sintéticos" generados por la computadora en condiciones irrealmente perfectas, por ejemplo, donde la forma de la punta del indentador es perfectamente afilado, y el movimiento del penetrador es perfectamente suave. Como resultado, las mediciones predichas por el aprendizaje automático fueron inexactas.

Entrenar la red neuronal inicialmente con datos sintéticos, luego incorporando un número relativamente pequeño de puntos de datos experimentales reales, sin embargo, puede mejorar sustancialmente la precisión de los resultados, el equipo encontró.

También informan que el entrenamiento con datos sintéticos se puede realizar con anticipación, con una pequeña cantidad de resultados experimentales reales que se agregarán para la calibración cuando se trata de evaluar las propiedades de los materiales reales.

El profesor Suresh dijo:"El uso de puntos de datos experimentales reales ayuda a compensar el mundo ideal que se asume en los datos sintéticos. Al utilizar una buena combinación de puntos de datos del mundo idealizado y del mundo real, el resultado final es un error drásticamente reducido ".