Wetenschappers aan de Nanyang Technological University, Singapore (NTU Singapore), Massachusetts Instituut voor Technologie (MIT), en Brown University hebben nieuwe benaderingen ontwikkeld die de nauwkeurigheid van een belangrijke materiaaltesttechniek aanzienlijk verbeteren door gebruik te maken van de kracht van machine learning.

Nano-inspringing, het proces van het prikken van een monster van een materiaal met een scherpe naaldachtige punt om te zien hoe het materiaal reageert door te vervormen, is belangrijk in veel productietoepassingen, maar de slechte nauwkeurigheid bij het verkrijgen van bepaalde belangrijke mechanische eigenschappen van een materiaal heeft verhinderd dat het op grote schaal in de industrie wordt gebruikt.

Door het standaard nano-indentatieproces te gebruiken en de experimenteel gemeten gegevens door te geven aan een machine learning-systeem van een neuraal netwerk, de wetenschappers ontwikkelden en trainden het systeem om de vloeigrens van het monster 20 keer nauwkeuriger te voorspellen dan bestaande methoden.

De nieuwe analytische techniek zou de behoefte aan tijdrovende en dure computersimulaties kunnen verminderen om ervoor te zorgen dat gefabriceerde onderdelen die worden gebruikt in structurele toepassingen zoals vliegtuigen en auto's, en die gemaakt van digitale productietechnieken zoals 3D-printen zijn veilig te gebruiken in real-life omstandigheden.

De senior corresponderende auteur van dit artikel, NTU Distinguished University Professor Subra Suresh, die ook de universiteitsvoorzitter is, zei, "Door de nieuwste ontwikkelingen op het gebied van machine learning te integreren met nano-inspringing, we hebben aangetoond dat het mogelijk is om de nauwkeurigheid van de schattingen van materiaaleigenschappen met maar liefst 20 keer te verbeteren. We hebben ook het voorspellende vermogen en de nauwkeurigheidsverbetering van dit systeem gevalideerd op conventioneel vervaardigde aluminiumlegeringen en 3D-geprinte titaniumlegeringen. Dit wijst op het potentieel van onze methode voor digitale productietoepassingen in Industrie 4.0, vooral op gebieden zoals 3D-printen."

De bevindingen worden gepubliceerd in de Proceedings van de National Academy of Sciences deze week.

Materiële voordelen van een hybride aanpak

De methode, ontwikkeld door het team van onderzoekers van NTU, MIT, en bruin, is een hybride benadering die machine learning combineert met ultramoderne nano-inspringtechnieken.

Het proces begint met het drukken van een harde punt - meestal gemaakt van een materiaal zoals diamant - in het monstermateriaal met een gecontroleerde snelheid met nauwkeurig gekalibreerde kracht, terwijl constant de penetratiediepte van de punt in het te vervormen materiaal wordt gemeten.

De uitdaging ontstaat omdat het proces van het decoderen van de resulterende experimenteel gemeten gegevens uiterst complex is en momenteel het wijdverbreide gebruik van de nano-indentatie-testtechniek verhindert, bij de fabricage van vliegtuigen en auto's, volgens NTU-professor Upadrasta Ramamurty, die de President's Chair in Mechanical and Aerospace Engineering en Materials Science and Engineering bij NTU bekleedt.

Om de nauwkeurigheid in dergelijke situaties te verbeteren, het NTU-MIT-Brown-team ontwikkelde een geavanceerd neuraal netwerk - een computersysteem dat losjes is gemodelleerd naar het menselijk brein - en 'trainde' het met een combinatie van echte experimentele gegevens en door de computer gegenereerde gegevens. Hun "multi-fidelity"-benadering van echte experimentele gegevens, evenals op fysica gebaseerde en computationeel gesimuleerde "synthetische" gegevens (van zowel tweedimensionale als driedimensionale computersimulaties) met diepgaande leeralgoritmen.

Ming Dao, hoofdonderzoeker van het MIT en gastprofessor aan de NTU, zei dat eerdere pogingen om machinaal leren te gebruiken om materiaaleigenschappen te analyseren, meestal het gebruik van "synthetische" gegevens inhielden die door de computer werden gegenereerd onder onrealistisch perfecte omstandigheden, bijvoorbeeld waar de vorm van de indenterpunt perfect scherp, en de beweging van de indenter is perfect glad. De door machine learning voorspelde metingen waren daardoor onnauwkeurig.

Het neurale netwerk aanvankelijk trainen met synthetische data, dan met een relatief klein aantal echte experimentele datapunten, echter, kan de nauwkeurigheid van de resultaten aanzienlijk verbeteren, het team gevonden.

Ze melden ook dat de training met synthetische gegevens van tevoren kan worden gedaan, met een klein aantal echte experimentele resultaten die moeten worden toegevoegd voor kalibratie als het gaat om het evalueren van de eigenschappen van werkelijke materialen.

Prof Suresh zei:"Het gebruik van echte experimentele datapunten helpt om de ideale wereld te compenseren die wordt verondersteld in de synthetische data. Door een goede mix van datapunten uit de geïdealiseerde en echte wereld te gebruiken, het eindresultaat is drastisch minder fouten."