Las aleaciones de magnesio (Mg) se han utilizado popularmente para diseñar piezas aeroespaciales y de automoción debido a su alta relación resistencia-peso. Su biocompatibilidad y baja densidad también hacen que estas aleaciones sean ideales para su uso en equipos biomédicos y electrónicos. Sin embargo, se sabe que las aleaciones de Mg exhiben un comportamiento plástico anisotrópico. Es decir, sus propiedades mecánicas varían dependiendo de la dirección de la carga aplicada.
Para garantizar que el rendimiento de estas aleaciones de Mg no se vea afectado por este comportamiento anisotrópico, es necesario comprender mejor las deformaciones anisotrópicas y desarrollar modelos para su análisis.
Según el Laboratorio de Diseño y Fabricación de Metales (MEDEM), dirigido por el profesor asociado Taekyung Lee de la Universidad Nacional de Pusan (República de Corea), el aprendizaje automático (ML) podría contener respuestas a este problema de predicción. En su reciente avance, el equipo propuso un enfoque novedoso llamado "Unidad recurrente cerrada (GRU) asistida por redes generativas adversarias (GAN)".
El modelo posee potentes capacidades de análisis de datos para predecir con precisión las propiedades anisotrópicas plásticas de las aleaciones forjadas de Mg. Su trabajo estuvo disponible en línea en el Journal of Magnesium and Alloys. el 16 de enero de 2024.
"En términos de precisión de las predicciones de ML desde el punto de vista de la ciencia de datos, nos dimos cuenta de que había margen de mejora. Entonces, a diferencia de los métodos de predicción informados anteriormente, desarrollamos un modelo de ML con aumento de datos para lograr precisión, así como generalizabilidad con respecto a varios modos de carga", dice el profesor Lee, describiendo la idea central detrás de su novedoso modelo.
"Esto finalmente abrió caminos de integración con un análisis de elementos finitos para extraer una estimación precisa de la tensión de productos hechos de aleaciones metálicas con una anisotropía plástica significativa".
Para construir un modelo con mayor precisión, el equipo combinó todas las curvas de flujo, GAN, ajuste de hiperparámetros basado en algoritmos y arquitectura GRU, que son algunas de las estrategias clave utilizadas en la ciencia de datos. Este nuevo enfoque facilita el aprendizaje de datos completos de la curva de flujo en lugar de limitarse a entrenar sobre propiedades mecánicas resumidas, como muchos modelos anteriores.
Para probar la confiabilidad del modelo GRU asistido por GAN, el equipo lo evaluó exhaustivamente bajo escenarios predictivos, que van desde extrapolación, interpolación y robustez, con conjuntos de datos de tamaño limitado. Cuando se puso a prueba, el modelo estimó el comportamiento anisotrópico de las aleaciones ZK60 Mg para tres direcciones de carga y bajo 11 condiciones de recocido.
Con estos experimentos, el equipo descubrió que su modelo mostraba una robustez y generalización significativamente mejores que otros modelos diseñados para realizar tareas similares. Este rendimiento superior se atribuye principalmente al aumento de datos asistido por GAN y está respaldado por la excelente capacidad de extrapolación de la arquitectura GRU y la optimización de hiperparámetros, parámetros cuyos valores se utilizan para controlar el proceso de aprendizaje.
Por tanto, este estudio lleva el modelado predictivo más allá de las redes neuronales artificiales. Demuestra con éxito la capacidad de los modelos basados en ML para estimar los comportamientos de deformación anisotrópica de aleaciones forjadas de Mg.
"El rendimiento general y la vida útil de los componentes fabricados con aleación de Mg dependen en gran medida del comportamiento anisotrópico del plástico, lo que hace que la previsión y la gestión de las deformaciones sean una parte vital del diseño de materiales. Creemos que el modelo ayudará en el diseño y fabricación de productos metálicos para diversas aplicaciones", concluye el profesor Lee.
Más información: Sujeong Byun et al, Predicción mejorada del comportamiento de deformación anisotrópica mediante aprendizaje automático con aumento de datos, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007
Proporcionado por la Universidad Nacional de Pusan
