ستساعدك المقالة التالية: تكتشف طريقة التعلم الآلي التي تم تطويرها في معهد ماساتشوستس للتكنولوجيا الهياكل الداخلية والفراغات والشقوق داخل مادة ما بناءً على البيانات
في النموذج الهندسي الحالي ، يعد تحديد البنية المجهرية الداخلية للمادة أمرًا صعبًا لأن الاستجابات المادية فقط من القياسات غير المباشرة في الحدود أو الواجهات هي المتاحة. هذا يجعل المشاكل العكسية ، مثل تحليل الفشل ، والاختبار غير المدمر ، وتوصيف المواد بالموجات فوق الصوتية أو بالأشعة السينية ، صعبة بشكل خاص. ظهرت إمكانيات ومنهجيات جديدة لمعالجة القضايا العكسية وإنجاز تحليل المواد وتوصيفها بأقل قدر من المعرفة مع الظهور الأخير للتعلم الآلي (ML) ، ولا سيما مناهج التعلم العميق (DL).
استفادت رؤية الكمبيوتر ومعالجة اللغة الطبيعية والتعرف الآلي على الصوت وغيرها من المجالات التي تركز على البيانات في علوم الكمبيوتر بشكل كبير من منهجيات التعلم العميق والأساليب القائمة على البيانات في السنوات الأخيرة. يعد تحدي التصميم العكسي ، حيث يتم هندسة المواد من خصائصها إلى هياكلها ، مجالًا ناشئًا آخر يكون للذكاء الاصطناعي تأثيرات هائلة فيه. مثالان شائعان للنماذج هما:
- عبر تسميات شرطية مشتقة من سمات الهدف ، يتم تنفيذها عبر الشبكات التوليدية
- استخدام مجموعة من تقنيات التحسين ونماذج التنبؤ للتعامل بشكل متكرر مع هدف التصميم. تمت دراسة أحجام متعددة من المواد ، من الجزيئات إلى المباني ، باستخدام هذه النماذج.
تقليديًا ، حددت عمليات المحاكاة العددية مثل FEA باعتبارها حلاً للأمام العلاقة بين الهياكل والخصائص. يوفر الباحثون الأطر القائمة على الذكاء الاصطناعي لإنجاز الترجمة العكسية من المجالات الميكانيكية إلى الهياكل المجهرية المركبة ، مما يسمح بالتنبؤ بمجالات الإجهاد والإجهاد الكاملة من المعرفة الجزئية بالبيانات الميدانية. استخدم الباحثون التعلم العميق ، وهو نوع من التعلم الآلي ، لمقارنة كمية هائلة من البيانات المحاكاة حول مجالات القوة الخارجية للمواد مع البنية الداخلية المطابقة ، ومن هناك ، طوروا نظامًا يمكنه التنبؤ بشكل موثوق بالجزء الداخلي من السطح. بيانات.
تربط بنيات التعلم العميق المتعددة مباشرة سلالة أو مجال إجهاد ثنائي الأبعاد أو ثلاثي الأبعاد والبنية غير المتجانسة. في الحالة ثنائية الأبعاد ، استعاد الباحثون أولاً المنطقة المقنعة في خريطة ميدانية باستخدام نموذج تلافيفي. ثم يتعرفون على الهياكل المركبة باستخدام الحقول الميكانيكية المسترجعة من المناطق المقنعة. يتم بعد ذلك اختبار طريقة إكمال المجال في العديد من سيناريوهات العالم الحقيقي ، مثل:
- عند وجود مجموعة متنوعة من مكونات الضغط في مجموعة البيانات معًا.
- عند تطبيقه على الهياكل المجهرية غير الموزعة ذات الأشكال وأحجام الشبكة غير المنتظمة ، من الواضح أن المزيد من العمل مطلوب.
- عندما تستلزم السلوكيات الميكانيكية للمكونات اللدونة في المواد.
- عندما تكون البنى المجهرية المقدمة مستمرة وليست كتل منفصلة ، مثل أنماط Cahn-Hilliard.
- عندما يجب تحديد الهياكل الداخلية من قياس السطح غير المباشر ، يعمل هذا النموذج جيدًا بغض النظر عن التعقيد الهيكلي ويستعيد الحقل بأكمله حتى من خريطة حقل سطح واحد.
قام العلماء بتدريب نموذج ذكاء اصطناعي ببيانات ضخمة حول المقاييس الخارجية والخصائص الداخلية المقابلة لإتقان طريقتهم. لم يتم تضمين المواد المركبة بنوع مادة واحد فحسب ، بل تم تضمينها أيضًا من مزيج من المكونات. تم تطوير الإجراء بشكل متكرر ، مع قيام النموذج بعمل تنبؤات مبكرة تمت مقارنتها بعد ذلك بالبيانات الحقيقية حول المادة في المشكلة. تم اختبار النموذج الناتج عندما كانت الأعمال الداخلية للمادة معروفة جيدًا بما يكفي لحسابها ، وتوافقت تنبؤاتها مع القيم المحسوبة. تضمنت بيانات التدريب صورًا للأسطح وقياسات إجهاداتها والمجالات الكهربائية والمغناطيسية وغيرها من الصفات. استخدم الباحثون محاكاة البيانات في العديد من المواقف المستنيرة من خلال المعرفة المسبقة للبنية الذرية للمادة. قد يوفر النهج تقديرًا جيدًا بما يكفي لتوجيه المهندسين في الاتجاه الصحيح للتجارب المستقبلية ، حتى عندما تحتوي مادة جديدة على العديد من الميزات غير المعروفة.
كتوضيح للاستخدام المحتمل لهذا النهج ، يستشهد بوهلر بالممارسة الحالية لفحص الطائرات ، والتي تستلزم تحليل عينة صغيرة فقط من الطائرة باستخدام إجراءات مكلفة مثل الأشعة السينية.
ليستنتج
المشكلات العكسية المتعلقة فقط بمعلومات البيانات الحدودية ووظائف التصميم بهدف بسيط ولكن منطقة البحث الضخمة هما مثالان على المواقف التي تمثل فيها المعلومات القليلة تحديًا أثناء حل مهام هندسة المواد. للتغلب على هذه العقبات ، يتم استخدام العديد من معماريات DL لتحديد الأشكال الهندسية المركبة من الحقول الميكانيكية المستردة للهياكل الدقيقة المعقدة ثنائية الأبعاد وثلاثية الأبعاد ولتوقع المعلومات الميكانيكية المفقودة نظرًا لمحدودية البيانات المعروفة في جزء من المجال. للتنبؤ بالهندسة المركبة باستخدام النماذج التلافيفية لبيانات المجال ثنائية الأبعاد مع مكونات الإجهاد / الانفعال المختلطة ، والهندسة الهرمية ، وخصائص المواد المختلفة ، وأنواع مختلفة من الهياكل الدقيقة ، بما في ذلك المشاكل العكسية غير الملائمة ، يتم استخدام شبكة الخصومة التوليدية الشرطية (GAN). لعمل تنبؤات دقيقة للحقول الميكانيكية ثلاثية الأبعاد بالكامل من لقطات حقل الإدخال ثنائية الأبعاد ، يتم إنشاء بنية قائمة على المحولات ثلاثية الأبعاد. بغض النظر عن مدى تعقيد البنية المجهرية ، يُظهر النموذج أداءً رائعًا ويمكنه استرداد حقل الحجم الكامل من صورة حقل سطح واحد. هذا يجعل من الممكن توصيف الهيكل الداخلي باستخدام بيانات الحدود فقط. بالإضافة إلى تسهيل التحليل والتصميم بقليل من البيانات ، توفر الأطر الشاملة أيضًا ترجمة عكسية مباشرة من الخصائص إلى هياكل المواد.
