Het optimaliseren van geavanceerde composieten voor specifiek eindgebruik kan kostbaar en tijdrovend zijn, waarbij fabrikanten veel monsters moeten testen om tot de beste formulering te komen. Onderzoekers van de NYU Tandon School of Engineering hebben een machine learning-systeem ontworpen dat gebruikmaakt van kunstmatige neurale netwerken (ANN) die in staat zijn om te extrapoleren uit gegevens die zijn afgeleid van slechts één steekproef, daardoor snel het formuleren en verstrekken van analyses op theoretische met grafeen verbeterde geavanceerde composieten.

Het werk, geleid door Nikhil Gupta, universitair hoofddocent werktuigbouwkunde en ruimtevaarttechniek aan de NYU Tandon, met Ph.D. student Xianbo Xu en medewerkers bij 2-D grafeenmaterialenfabrikant GrapheneCa, wordt gedetailleerd beschreven in "Artificial Neural Network Approach to Predict the Elastic Modulus from Dynamic Mechanical Analysis Results, " die op de binnenkant van de omslag van het tijdschrift zal verschijnen Geavanceerde theorie en simulaties .

Trekproeven en dynamische mechanische analyse (DMA) worden veel gebruikt om de visco-elastische eigenschappen van materialen bij verschillende belastingssnelheden en temperaturen te karakteriseren. Maar daarvoor is een uitgebreide experimentele campagne nodig met een groot aantal monsters.

Het Tandon-team vond een manier om dit proces te omzeilen door een op ANN gebaseerde benadering te ontwerpen die een model bouwt en het vervolgens gegevens uit DMA invoert - een test van de reactie van een materiaal op een bepaalde temperatuur en laadfrequentie (een maatstaf voor de belasting die wordt toegepast in cycli )—om te voorspellen hoe het zal reageren op elke andere combinatie van temperatuur en druk. Gupta legde uit dat ANN geëxtrapoleerd was uit metingen van het vermogen van monsters om energie op te slaan en te dissiperen onder verschillende omstandigheden.

"Het testen van materialen onder verschillende omstandigheden tijdens de productontwikkelingscyclus is een grote kostenpost voor fabrikanten die composieten proberen te maken voor tal van toepassingen, " merkte Gupta op. "Dit systeem stelt ons in staat om één test uit te voeren en vervolgens de eigenschappen onder andere omstandigheden te voorspellen. Het vermindert dus aanzienlijk de hoeveelheid experimenten die nodig zijn."

"Het toepassen van een kunstmatige neurale netwerkbenadering om de eigenschappen van nanocomposieten te voorspellen, kan helpen bij het ontwikkelen van een aanpak waarbij modellering de materiaal- en toepassingsontwikkeling kan sturen en de kosten in de loop van de tijd kan verlagen, ’ vervolgde Gupta.

"In samenwerking met de onderzoekers van het Department of Mechanical and Aerospace Engineering van NYU Tandon, we hebben een nieuwe methode ontwikkeld voor het voorspellen van het gedrag van thermohardende nanocomposieten over een breed bereik van temperatuur en laadsnelheden, " zei Dr. Sergey Voskresensky, Head of Research &Development bij GrapheneCa's productiefaciliteit in New York. "Verder, dezelfde benadering kan mogelijk worden toegepast om het gedrag van thermoplastische materialen te voorspellen. Dit is een cruciale stap in de richting van geavanceerde composietproductie."