Cientistas da Universidade Tecnológica de Nanyang, Cingapura (NTU Cingapura), Instituto de Tecnologia de Massachusetts (MIT), e a Brown University desenvolveram novas abordagens que melhoram significativamente a precisão de uma importante técnica de teste de material, aproveitando o poder do aprendizado de máquina.

Nano-indentação, o processo de cutucar uma amostra de um material com uma ponta afiada em forma de agulha para ver como o material responde deformando, é importante em muitas aplicações de manufatura, mas sua baixa precisão na obtenção de certas propriedades mecânicas essenciais de um material impediu que fosse amplamente utilizado na indústria.

Usando o processo de nanoindentação padrão e alimentando seus dados medidos experimentalmente para um sistema de aprendizado de máquina de rede neural, os cientistas desenvolveram e treinaram o sistema para prever a força de rendimento da amostra com 20 vezes mais precisão do que os métodos existentes.

A nova técnica analítica pode reduzir a necessidade de simulações de computador demoradas e caras para garantir que as peças fabricadas usadas em aplicações estruturais, como aviões e automóveis, e aqueles feitos a partir de técnicas de manufatura digital, como impressão 3-D, são seguros para uso em condições da vida real.

O autor correspondente sênior deste artigo, NTU Distinguished University Professor Subra Suresh, que também é o reitor da universidade, disse, "Ao incorporar os avanços mais recentes em aprendizado de máquina com nanodentação, mostramos que é possível melhorar a precisão das estimativas das propriedades dos materiais em até 20 vezes. Também validamos a capacidade preditiva e o aprimoramento da precisão desse sistema em ligas de alumínio fabricadas convencionalmente e ligas de titânio impressas em 3D. Isso aponta para o potencial do nosso método para aplicações de manufatura digital na Indústria 4.0, especialmente em áreas como a impressão 3D. "

Os resultados serão publicados no Proceedings of the National Academy of Sciences esta semana.

Benefícios materiais de uma abordagem híbrida

O método, desenvolvido pela equipe de pesquisadores da NTU, MIT, e marrom, é uma abordagem híbrida que combina aprendizado de máquina com técnicas de nanoindentação de última geração.

O processo começa primeiro com a pressão de uma ponta dura - normalmente feita de um material como o diamante - no material da amostra a uma taxa controlada com força calibrada com precisão, enquanto mede constantemente a profundidade de penetração da ponta no material sendo deformado.

O desafio surge porque o processo de decodificação dos dados medidos experimentalmente resultantes é extremamente complexo e atualmente impede o uso generalizado da técnica de teste de nanodentação, na fabricação de aeronaves e automóveis, de acordo com o professor da NTU Upadrasta Ramamurty, que detém a cadeira do presidente em Engenharia Mecânica e Aeroespacial e Ciência e Engenharia de Materiais na NTU.

Para melhorar a precisão em tais situações, a equipe NTU-MIT-Brown desenvolveu uma rede neural avançada - um sistema de computação vagamente modelado no cérebro humano - e a 'treinou' com uma combinação de dados experimentais reais e dados gerados por computador. Sua "multifidelidade" aborda dados experimentais reais, bem como dados "sintéticos" baseados na física e simulados computacionalmente (de simulações de computador bidimensionais e tridimensionais) com algoritmos de aprendizado profundo.

O principal cientista de pesquisa do MIT e professor visitante da NTU, Ming Dao, disse que as tentativas anteriores de usar o aprendizado de máquina para analisar as propriedades dos materiais envolviam principalmente o uso de dados "sintéticos" gerados pelo computador em condições irrealisticamente perfeitas - por exemplo, onde a forma da ponta do penetrador é perfeitamente afiado, e o movimento do penetrador é perfeitamente suave. Como resultado, as medições previstas pelo aprendizado de máquina eram imprecisas.

Treinar a rede neural inicialmente com dados sintéticos, em seguida, incorporando um número relativamente pequeno de pontos de dados experimentais reais, Contudo, pode melhorar substancialmente a precisão dos resultados, a equipe encontrou.

Eles também relatam que o treinamento com dados sintéticos pode ser feito com antecedência, com um pequeno número de resultados experimentais reais a serem adicionados para calibração quando se trata de avaliar as propriedades de materiais reais.

O professor Suresh disse:"O uso de pontos de dados experimentais reais ajuda a compensar o mundo ideal que é assumido nos dados sintéticos. Ao usar uma boa combinação de pontos de dados do mundo idealizado e real, o resultado final é um erro drasticamente reduzido. "