• Главная
  • >
  • Новости
  • >
  • Оптимизация тестирования материалов благодаря системе на основе искусственных нейронных сетей

Оптимизация тестирования материалов благодаря системе на основе искусственных нейронных сетей

Исследователи из Школы машиностроения Тандона при Нью-Йоркском университете разработали систему машинного обучения. в которой используются искусственные нейронные сети (ИНС)

Оптимизация тестирования материалов

Стремясь снизить затраты и время, затрачиваемые на тестирование и оптимизацию современных композитных материалов, исследователи из Школы машиностроения Тандона при Нью-Йоркском университете разработали систему машинного обучения, в которой используются искусственные нейронные сети (ИНС), способные экстраполировать данные, полученные с помощью одного теста.

Это позволяет новой системе быстро формулировать и предоставлять аналитические материалы по технологии разработки композитов, обогащенным графеном, что может в конечном итоге позволить производителям получить наилучшую конфигурацию материала без обычных хлопот и чрезмерных затрат.

Два главных героя в разработке оптимизированного подхода к тестированию композитов

В статье, которая будет размещена на внутренней стороне обложки журнала Advanced Theory and Simulations, ведущие исследователи Нихил Гупта и аспирант Сянбо Сюй из NYU Tandon подробно описывают метод обхода необходимости испытаний на растяжение и динамического механического анализа (DMA). Оба испытания широко используются для характеристики вязкоупругих свойств материалов при различных степенях нагрузки и температурах.

Подход, основанный на ANN, создает модель, а затем передает ее данные из DMA, чтобы сгенерировать прогноз того, как соответствующий композит будет реагировать на условия температуры и давления, отличные от тех, которые присутствуют в DMA. Или по словам самого Гупты: «Испытание материалов в различных условиях в течении цикла разработки продукта является основной целью для производителей, которые пытаются создать универсальные композиты.

Эта система позволяет нам проводить один тест, а затем прогнозировать свойства в других условиях. Следовательно, это значительно уменьшает количество необходимых экспериментов». По словам Гупты, способность прогнозировать свойства композитных материалов с использованием ИНС может в конечном итоге привести к созданию системы, в которой указанные способности будут использоваться для руководства разработкой самих материалов, а также области их применения.

В одном шаге от усовершенствованного производства

Комментируя новую систему, руководитель отдела исследований и разработок в Нью-Йоркском производственном предприятии GrapheneCa, производителя 2D-графеновых материалов, доктор Сергей Воскресенский сказал, что команде удалось разработать «новый метод прогнозирования поведения термореактивных материалов».

Нанокомпозиты в широком диапазоне температур и степеней нагрузки ». Кроме того, тот же подход может применяться для прогнозирования поведения термопластичных материалов, которое, по мнению Воскресенского, «является критически важным шагом на пути к усовершенствованному производству композитов».



Автор статьи: Виктор Булавин