L'apprentissage automatique ouvre le prochain niveau dans la prédiction du comportement

lors de l'étude des propriétés d'un matériau tel que l'acier inoxydable, il est impossible de mener des expériences séparées à des grossissements aussi élevés qui le soumettent à tous les paramètres imaginables - chaque température, chaque angle de chargement, chaque quantité de pression. Nous nous appuyons donc souvent sur des modèles.

"Plutôt que d'utiliser un modèle physique extrêmement détaillé et lourd avec de nombreux paramètres d'ajustement, nous avons utilisé l'apprentissage automatique pour entraîner un réseau de neurones à faire ces prédictions", ont déclaré les chercheurs. « L'apprentissage automatique contourne le besoin d'une modélisation détaillée de toute la physique derrière le processus et établit une sorte de lien direct, ou d'ajustement, entre les entrées et les sorties.

C'est la première fois que cette technique est appliquée pour apprendre ce qui se passe dans une microstructure métallique sous diverses conditions de chargement. "Dans ce cas, nous voulions voir combien de contrainte accumulée aux joints de grains dans un métal polycristallin pendant le fluage." les chercheurs ont expliqué que le fluage est la tendance d'un matériau solide à se déformer sous une charge continue, un peu comme certaines étagères finissent par se plier sous le poids des livres.

« Nous pensions que les différences physiques entre les deux grains adjacents à la frontière seraient plus importantes, ou du moins un paramètre tout aussi important. Ainsi, la découverte la plus remarquable pour moi était qu'un seul paramètre géométrique était capable de prédire les résultats 80 % du temps », a déclaré l'équipe. « C'est la géométrie — l'angle auquel vous la chargez qui a fait la plus grande différence. J'ai trouvé cela inattendu et intéressant - non pas que cela ne devrait pas influencer les résultats, mais que cela l'a fait de manière dramatique. C'était surprenant parce que cela signifiait que toute cette modélisation sophistiquée et multi-échelle que nous effectuons pour comprendre toute la physique n'est peut-être qu'environ 20%. »

Étant le premier du genre, il doit y avoir beaucoup plus d'études approfondies avant que nous puissions dire que c'est universellement vrai.

Les chercheurs ont noté que cela fonctionne dans les cas 70 à 80 pour cent du temps, mais il ne prédit pas la réponse de toutes les limites partout. Cela signifie qu'il y a d'autres facteurs au-delà de l'angle qui influencent ce qui se passe. C'est juste que c'est le plus important ou le premier ordre.

"Le modèle d'apprentissage automatique que nous avons jusqu'à présent n'a fonctionné qu'à proximité des joints de grains", ont-ils déclaré. « Nous ne pouvons pas encore prédire ce qui se passe à l'intérieur du grain. Donc, numéro un, nous avons besoin d'un ensemble d'entrées différent qui fonctionnera également à l'intérieur. Nous les avons expérimentalement, mais nous devons développer un modèle différent et combler les lacunes.

« En fin de compte, ce que nous voulons, c'est pouvoir simplement montrer une image de la microstructure à l'algorithme et l'algorithme nous dira quand et où le matériau échouera. Mais, plutôt que de faire un gros Réseau neuronal s'adapter du début à la fin, nous allons faire des étapes intermédiaires qui représentent la physique sous-jacente et à l'intérieur de chaque étape, nous utiliserons l'apprentissage automatique pour déterminer les entrées et les sorties appropriées.