Hinweis: Der folgende Artikel hilft Ihnen dabei: Eine am MIT entwickelte maschinelle Lernmethode erkennt datenbasiert interne Strukturen, Hohlräume und Risse im Inneren eines Materials
Im aktuellen technischen Paradigma ist die Identifizierung der inneren Mikrostruktur eines Materials schwierig, da nur Materialreaktionen aus indirekten Messungen an Grenzen oder Grenzflächen verfügbar sind. Dies macht inverse Probleme wie Fehleranalyse, zerstörungsfreie Prüfung und Ultraschall- oder Röntgencharakterisierung von Materialien besonders schwierig. Mit dem jüngsten Aufkommen des maschinellen Lernens (ML), insbesondere von Deep-Learning-Ansätzen (DL), sind neue Möglichkeiten und Methoden entstanden, um inverse Probleme anzugehen und Materialanalysen und -charakterisierungen mit minimalem Wissen durchzuführen.
Computer Vision, Verarbeitung natürlicher Sprache, automatisierte Spracherkennung und andere datenzentrierte Bereiche der Informatik haben in den letzten Jahren alle stark von Deep-Learning-Methoden und datengesteuerten Methoden profitiert. Die Herausforderung des inversen Designs, bei der Materialien von ihren Eigenschaften bis hin zu ihren Strukturen entwickelt werden, ist ein weiteres aufstrebendes Feld, in dem KI enorme Auswirkungen haben. Zwei gängige Beispiele für Paradigmen sind:
- Über bedingte Labels, die aus den Zielattributen abgeleitet und über generative Netzwerke implementiert werden
- Verwendung einer Kombination aus Optimierungstechniken und Vorhersagemodellen zur iterativen Annäherung an ein Entwurfsziel. Mithilfe dieser Paradigmen wurden Materialien verschiedener Größen untersucht, von Molekülen bis hin zu Gebäuden.
Traditionell haben numerische Simulationen wie FEA als Vorwärtslöser die Beziehung zwischen Strukturen und Eigenschaften bestimmt. Forscher stellen KI-basierte Frameworks bereit, um eine inverse Übersetzung von mechanischen Feldern in zusammengesetzte Mikrostrukturen zu erreichen und so die Vorhersage ganzer Dehnungs- und Spannungsfelder aus Teilwissen der Felddaten zu ermöglichen. Die Forscher nutzten Deep Learning, eine Art maschinelles Lernen, um eine große Menge simulierter Daten über die äußeren Kraftfelder von Materialien mit der passenden inneren Struktur zu vergleichen, und entwickelten daraus ein System, das das Innere von der Oberfläche aus zuverlässig vorhersagen konnte Daten.
Mehrere Deep-Learning-Architekturen verbinden ein 2D- oder 3D-Dehnungs- oder Spannungsfeld direkt mit der heterogenen Struktur. Im 2D-Fall stellen Forscher zunächst mithilfe eines Faltungsmodells den maskierten Bereich in einer Feldkarte wieder her. Anschließend identifizieren sie die Verbundstrukturen mithilfe der mechanischen Felder, die aus den maskierten Regionen gewonnen werden. Die Feldvervollständigungsmethode wird dann in mehreren realen Szenarien getestet, wie zum Beispiel:
- Wenn in einem Datensatz mehrere Spannungskomponenten zusammenkommen.
- Bei der Anwendung auf nicht verteilte Mikrostrukturen mit unregelmäßigen Formen und Gittergrößen ist klar, dass mehr Arbeit erforderlich ist.
- Wenn das mechanische Verhalten der Komponenten zu Plastizität der Materialien führt.
- Wenn die bereitgestellten Mikrostrukturen kontinuierlich und nicht diskrete Blöcke sind, wie etwa Cahn-Hilliard-Muster.
- Wenn Innenstrukturen anhand indirekter Oberflächenmessungen definiert werden müssen, funktioniert dieses Modell unabhängig von der strukturellen Komplexität gut und stellt das gesamte Feld bereits aus einer einzigen Oberflächenfeldkarte wieder her.
Um ihre Methode zu perfektionieren, trainierten Wissenschaftler ein KI-Modell mit umfangreichen Daten zu externen Kennzahlen und den entsprechenden internen Merkmalen. Es waren nicht nur Verbundwerkstoffe aus einem einzigen Materialtyp enthalten, sondern auch solche, die aus einer Mischung von Komponenten hergestellt wurden. Das Verfahren wurde iterativ entwickelt, wobei das Modell frühe Vorhersagen machte, die dann mit realen Daten zum Stoff des Problems verglichen wurden. Das resultierende Modell wurde getestet, als das Innenleben eines Materials gut genug bekannt war, um es zu berechnen, und seine Vorhersagen mit den berechneten Werten übereinstimmten. Zu den Trainingsdaten gehörten Bilder der Oberflächen sowie Messungen ihrer Spannungen, elektrischen und magnetischen Felder und anderer Attribute. Die Forscher verwendeten in vielen Situationen Datensimulationen, die auf Vorkenntnissen über die atomare Struktur eines Materials beruhten. Der Ansatz kann eine Schätzung liefern, die gut genug ist, um Ingenieuren die richtige Richtung für zukünftige Experimente zu weisen, selbst wenn ein neuartiges Material zahlreiche unbekannte Merkmale aufweist.
Als Beispiel für den potenziellen Nutzen dieses Ansatzes führt Buehler die derzeitige Praxis der Flugzeuginspektion an, bei der lediglich eine kleine Stichprobe des Flugzeugs mithilfe kostspieliger Verfahren wie Röntgenstrahlen analysiert wird.
Schlussfolgern
Inverse Probleme mit nur Randdateninformationen und Konstruktionsaufgaben mit einem einfachen Ziel, aber einem großen Suchbereich sind zwei Beispiele für Situationen, in denen wenige Informationen eine Herausforderung bei der Lösung werkstofftechnischer Aufgaben darstellen. Um diese Hindernisse zu überwinden, werden verschiedene DL-Architekturen verwendet, um sowohl die zusammengesetzten Geometrien aus den wiederhergestellten mechanischen Feldern für komplexe 2D- und 3D-Mikrostrukturen zu definieren als auch fehlende mechanische Informationen angesichts begrenzter bekannter Daten in einem Teil der Domäne zu antizipieren. Um die zusammengesetzte Geometrie mit Faltungsmodellen für 2D-Felddaten mit gemischten Spannungs-/Dehnungskomponenten, hierarchischen Geometrien, unterschiedlichen Materialeigenschaften und verschiedenen Arten von Mikrostrukturen, einschließlich falsch gestellter inverser Probleme, vorherzusagen, wird ein bedingtes generatives kontradiktorisches Netzwerk (GAN) verwendet. Um genaue Vorhersagen ganzer mechanischer 3D-Felder aus 2D-Eingabefeld-Schnappschüssen zu treffen, wird eine Transformer-basierte Architektur in 3D erstellt. Unabhängig von der Komplexität der Mikrostruktur zeigt das Modell eine hervorragende Leistung und kann das gesamte Volumenfeld aus einem einzigen Oberflächenfeldbild wiederherstellen. Dadurch ist es möglich, die Innenstruktur allein anhand von Randdaten zu charakterisieren. Die ganzheitlichen Frameworks erleichtern nicht nur Analyse und Design mit wenigen Daten, sondern ermöglichen auch eine direkte umgekehrte Übersetzung von Merkmalen zurück in Materialstrukturen.
