fbpx
  • Нейросеть проводит механические испытания материала на основе фотографий

    Исследователи из MIT разработали методику быстрого определения свойств материала на основе изображения, показывающего его внутреннюю структуру. Этот подход в будущем может устранить необходимость в трудных математических расчетах, опираясь на машинное зрение для генерации оценок в режиме реального времени.

    Актуальность

    Инженерные расчеты помогают вычислить напряжение и деформацию материалов и композитных структур. Традиционные методы вычислений требуют наличие программного кода дифференциальных уравнений с частными производными. Подобные симуляции являются дорогостоящими и длятся несколько дней, недель, или даже месяцев.

    Подробнее о методе

    В данной работе исследователи использовали в основном композитные материалы, которые включали как мягкие (красные области), так и хрупкие компоненты (белые области) в различных произвольных геометрических формах. Рабочий процесс метода начинается с генерации геометрических изображений композитов размером 8х8. Далее изображения подаются на моделирование механических испытаний методом конечных элементов (FEM), чтобы получить реальные данные. Предсказание новых результатов осуществляет модель глубокого обучения на основе условной генеративно-состязательной сети (cGAN). Сеть имеет два ключевых компонента: генератор U-net и дискриминатор PatchGAN. Изображения геометрии структур подаются в генератор для создания поддельных версий с неправильными механическими силами. Дискриминатор сравнивает поддельные версии от генератора с правильными изображениями от FEM.

    Рисунок 1 — Изображение рабочего процесса

    Разработчики обучили модель тысячам парных картинок — одна из которых изображает внутреннюю микроструктуру материала, подверженную механическим силам, а другая — значения напряжений и деформаций в цветовом коде того же материала. На этих примерах сеть использует принципы теории игр для итеративного выяснения отношения между геометрией материала и вытекающими из него значениями. После обучения модели новые изображения механических сил можно предсказать в обход обычного численного моделирования.

    Визуализация прогнозирования механических свойств. Картинка слева — геометрия композита, картинка справа — механические силы.

    Также разработчики показали, что можно получить не только свойства, но и локальные особенности, например концентрация напряжения вокруг трещин или резких включений.

    Моделирование трещин

    Команда планирует использовать более широкий спектр типов материалов.

    Описанный метод прогнозирует механическое поведение при вводе случайной геометрии и открывает возможности для поиска оптимальных конструкций композитов. Это позволит сэкономить время и деньги инженеров. Помимо этого, методика может дать неспециалистам доступ к современным расчетам. Сеть почти мгновенно запускается на процессорах потребительского уровня.

     

     

     

    Подписаться
    Уведомить о
    guest
    0 Comments
    Межтекстовые Отзывы
    Посмотреть все комментарии