El aprendizaje automático desbloquea el siguiente nivel en la predicción del comportamiento

Cuando se estudian las propiedades de un material como el acero inoxidable, es imposible realizar experimentos separados con aumentos tan altos que lo sometan a todos los parámetros concebibles: cada temperatura, cada ángulo de carga, cada cantidad de presión. Por eso, a menudo confiamos en modelos.

"En lugar de utilizar un modelo de física extremadamente detallado y engorroso con muchos parámetros de ajuste, utilizamos el aprendizaje automático para entrenar una red neuronal para hacer estas predicciones", dijeron los investigadores. “El aprendizaje automático evita la necesidad de un modelado detallado de toda la física detrás del proceso y crea una especie de vínculo directo, o ajuste, entre las entradas y las salidas.

Esta es la primera vez que se aplica esta técnica para aprender qué sucede en una microestructura metálica bajo diversas condiciones de carga. "En este caso, queríamos ver cuánta tensión acumulada en los límites de grano en un metal policristalino durante la fluencia". Los investigadores explicaron que la fluencia es la tendencia de un material sólido a deformarse bajo una carga continua, al igual que algunas estanterías eventualmente se doblan bajo el peso de los libros.

“Creíamos que las diferencias físicas entre los dos granos adyacentes al límite serían más importantes, o al menos un parámetro igualmente importante. Entonces, el hallazgo más notable para mí fue que un solo parámetro geométrico fue capaz de predecir los resultados el 80 por ciento de las veces ”, dijo el equipo. “Es la geometría, el ángulo en el que la está cargando lo que marcó la mayor diferencia. Encontré eso inesperado e interesante, no que no deba influir en los resultados, sino que lo hizo de manera dramática. Fue sorprendente porque significa que todo este modelado sofisticado y de múltiples escalas que hacemos para comprender toda la física tal vez solo sea un 20 por ciento importante ”.

Siendo el primero de su tipo, debe haber un estudio mucho más profundo antes de que podamos decir que esto es universalmente cierto.

Los investigadores notaron que funciona en los casos del 70 al 80 por ciento del tiempo, pero no predice la respuesta de todos los límites en todas partes. Esto significa que hay otros factores más allá del ángulo que influyen en lo que está sucediendo. Es solo que este es el más importante o el de primer orden.

"El modelo de aprendizaje automático que hemos trabajado hasta ahora solo ha funcionado cerca de los límites del grano", dijeron. “Aún no podemos predecir lo que sucede en el interior del grano. Entonces, número uno, necesitamos un conjunto diferente de entradas que también funcionarán en el interior. Los tenemos experimentalmente, pero necesitamos desarrollar un modelo diferente y llenar los vacíos.

“En última instancia, lo que queremos es poder mostrar una imagen de la microestructura al algoritmo y el algoritmo nos dirá cuándo y dónde fallará el material. Pero, en lugar de hacer una gran red neural encajar de principio a fin, vamos a hacer pasos intermedios que representan la física detrás de él y dentro de cada paso, haremos uso del aprendizaje automático para determinar las entradas y salidas adecuadas ".