Mühendisler, çalıştıkları malzemeler üzerindeki gerilimleri ve yükleri anlamak için yüzyıllar boyunca Newton ve bilim insanları tarafından geliştirilen fiziksel yasalara güveniyorlar. Ancak bu denklemleri çözmek, özellikle karmaşık malzemeler için bir hesaplama çabası olabilir.
MIT araştırmacıları, malzemenin iç yapısını gösteren bir görüntüsüne dayanarak, bir malzemenin stres ve gerilme gibi belirli özelliklerini hızlı bir şekilde belirlemek için bir teknik geliştirdiler. Yaklaşım bir gün zorlu fizik tabanlı hesaplamalara olan ihtiyacı ortadan kaldırabilir, bunun yerine gerçek zamanlı tahminler oluşturmak için bilgisayarla görü ve makine öğrenimine güvenebilir.
Araştırmacılar, ilerlemenin daha hızlı tasarım prototiplemesi ve malzeme incelemeleri sağlayabileceğini söylüyorlar.
Araştırmacı Zhenze Yang: “Bu yeni yaklaşım, algoritmanın; fizik hakkında herhangi bir alan bilgisi olmadan tüm süreci tamamlamasını sağlıyor. “
Mühendisler denklem çözmek için çok zaman harcarlar. Bir malzemenin deforme olmasına veya kırılmasına neden olabilecek gerilme ve zorlanma gibi iç kuvvetlerini ortaya çıkarmaya yardımcı olurlar. Bu tür hesaplamalar, önerilen bir köprünün yoğun trafik yükleri veya şiddetli rüzgarlarda nasıl dayanacağını gösterebilir. Newton’ın aksine, bugün mühendisler; bu görev için kaleme ve kağıda ihtiyaç duymuyor.
Araştırmacı Buehler: “Matematikçi ve mühendislerin çoğu bu denklemleri yazdı ve sonra bunları bilgisayarlarda nasıl çözeceklerini buldular. Ancak yine de bazı sorunlar var: Çalışma maliyetli ve bazı simülasyonları çalıştırmak günler, haftalar ve hatta aylar alabilir. Biz de şöyle düşündük: Hadi bir yapay zekaya bu sorunu sizin için yapmasını öğretelim. “
Araştırmacılar, Generative Adversarial Neural Network adlı bir makine öğrenimi tekniğine yöneldi. Ağı, biri mekanik kuvvetlere maruz kalan bir malzemenin iç mikro yapısını tasvir eden, diğeri ise aynı malzemenin renk kodlu gerilme ve gerinim değerlerini gösteren binlerce eşleştirilmiş görüntü ile eğittiler. Bu örneklerle ağ; bir malzemenin geometrisi ve bunun sonucunda ortaya çıkan gerilimler arasındaki ilişkileri yinelemeli olarak bulmak için oyun teorisinin ilkelerini kullanır.
Araştırmacı Buehler: “Bilgisayar, bir resimden tüm bu kuvvetleri tahmin edebiliyor: Deformasyonlar, gerilmeler vb… Bu gerçekten bir buluş; geleneksel şekilde, denklemleri kodlamanız ve bilgisayardan kısmi diferansiyel denklemleri çözmesini istemeniz gerekir. Sadece resimden resme geçiyoruz. “
Bu görüntü tabanlı yaklaşım; özellikle karmaşık, kompozit malzemeler için avantajlıdır. Bir malzeme üzerindeki kuvvetler, atomik ve makroskopik ölçekte olduğundan farklı şekilde çalışabilir.
Ancak araştırmacının ağı; birden çok ölçekle baş etmede ustadır. Bilgileri, görüntüleri giderek daha büyük ölçeklerde analiz eden bir dizi “kıvrım” yoluyla işler. Buehler, bu yüzden bu sinir ağlarının, maddi özellikleri tanımlamak için çok uygun olduğunu söylüyor.
Tam eğitimli ağ; çeşitli yumuşak kompozit malzemelerin mikroyapısının bir dizi yakın çekim görüntüsü verildiğinde stres ve gerinim değerlerini başarıyla oluşturarak, testlerde iyi performans gösterdi. Ağ, bir malzemede gelişen çatlaklar gibi “tekillikleri” bile yakalayabildi. Bu durumlarda, kuvvetler ve alanlar küçük mesafelerde hızla değişir.
Rensselaer Polytechnic Institute Makine Mühendisi Suvranu De: “Ürünleri tasarlamak için gereken yinelemeleri önemli ölçüde azaltabilir. Bu makalede önerilen uçtan uca yaklaşım, otomotiv ve uçak endüstrilerinde kullanılan kompozitlerden doğal ve mühendislik ürünü biyomalzemelere kadar çeşitli mühendislik uygulamaları üzerinde önemli bir etkiye sahip olacaktır. Kuvvet; mikro / nanoelektronikten hücrelerin göçüne ve farklılaşmasına kadar şaşırtıcı derecede geniş bir uygulama yelpazesinde kritik bir rol oynadığından, saf bilimsel araştırma alanında da önemli uygulamalara sahip olacak.”
Mühendislere zamandan ve paradan tasarruf etmenin yanı sıra, yeni teknik uzman olmayanlara son teknoloji malzeme hesaplamalarına erişim sağlayabilir. Örneğin mimarlar veya ürün tasarımcıları, projeyi bir mühendislik ekibine iletmeden önce fikirlerinin uygulanabilirliğini test edebilirler.
Ağ, eğitildikten sonra neredeyse anında tüketici sınıfı bilgisayar işlemcilerinde çalışır. Bu, mekanikçilerin ve müfettişlerin makineyle ilgili olası sorunları sadece bir fotoğraf çekerek teşhis etmesini sağlayabilir.
Yeni makalede, araştırmacılar; öncelikle çeşitli rasgele geometrik düzenlemelerde hem yumuşak hem de kırılgan bileşenleri içeren kompozit malzemelerle çalıştılar. Ekip, gelecekteki çalışmalarda daha geniş bir malzeme türü yelpazesi kullanmayı planlamaktadır.
