Un nouvel algorithme développé à l'Imperial College de Londres peut convertir des images 2D de matériaux composites en structures 3D.
L'algorithme d'apprentissage automatique pourrait aider les scientifiques et les fabricants des matériaux à étudier et à améliorer la conception et la production de matériaux composites tels que des électrodes de batterie et des pièces d'avion en 3D.
En utilisant les données de coupes transversales 2D de matériaux composites, réalisées en combinant différents matières premières. avec des propriétés physiques et chimiques distinctes, l'algorithme peut étendre les dimensions des sections transversales pour les convertir en modèles informatisés 3D. Cela permet aux scientifiques d’étudier les différents matériaux, ou « phases », d’un composite et la manière dont ils s’assemblent.
L'outil apprend à quoi ressemblent les coupes 2D de composites et les met à l'échelle afin que leurs phases puissent être étudiées dans un espace 3D. Il pourrait à l'avenir être utilisé pour optimiser les conceptions de ces types de matériaux en permettant aux scientifiques et aux fabricants d'étudier l'architecture en couches des composites.
Les chercheurs ont trouvé que leur technique était moins chère et plus rapide que la création de représentations informatiques 3D à partir d'objets 3D physiques. Il a également pu identifier plus clairement les différentes phases au sein des matériaux, ce qui est plus difficile à faire avec les techniques actuelles.
La combinaison de matériaux en tant que composites vous permet de tirer parti des meilleures propriétés de chaque composant, mais leur étude en détail peut être difficile car la disposition des matériaux affecte fortement les performances. L'algorithme permet aux chercheurs de prendre leurs données d'image 2D et de générer des structures 3D avec toutes les mêmes propriétés, ce qui leur permet d'effectuer des simulations plus réalistes.
L'étude, la conception et la fabrication de matériaux composites en trois dimensions est actuellement un défi. Les images 2D sont peu coûteuses à obtenir et offrent aux chercheurs une haute résolution, de larges champs de vision et sont très douées pour distinguer les différents matériaux. En revanche, les techniques d'imagerie 3D sont souvent coûteuses et relativement floues. Leur faible résolution rend également difficile l'identification des différentes phases au sein d'un composite.
Par exemple, les chercheurs sont actuellement incapables d'identifier les matériaux dans les électrodes de batterie, qui consistent en un matériau céramique, des liants polymétriques au carbone et des pores pour la phase liquide, à l'aide de techniques d'imagerie 3D.
Dans cette étude, les chercheurs ont utilisé une nouvelle technique d'apprentissage automatique appelée `` réseaux conflictuels génératifs à convolution profonde '' (DC-GAN) qui a été inventée en 2014.
Cette approche, où deux réseaux de neurones sont amenés à se concurrencer, est au cœur de l'outil de conversion 2D en 3D. Un réseau de neurones voit les images 2D et apprend à les reconnaître, tandis que l'autre essaie de créer de «fausses» versions 3D. Si le premier réseau regarde toutes les tranches 2D dans la version 3D «fausse» et pense qu'elles sont «réelles», alors les versions peuvent être utilisées pour simuler toute propriété matérielle d'intérêt.
La même approche permet également aux chercheurs d'exécuter des simulations en utilisant différents matériaux et compositions beaucoup plus rapidement qu'auparavant, ce qui accélérera la recherche de meilleurs composites.
Les performances de nombreux appareils contenant des matériaux composites, tels que les batteries, sont étroitement liées à la disposition 3D de leurs composants à l'échelle microscopique. Cependant, l'imagerie 3D de ces matériaux avec suffisamment de détails peut être laborieuse. Les chercheurs espèrent que leur nouvel outil d'apprentissage automatique permettra à la communauté de conception de matériaux de se débarrasser de la dépendance à l'égard des machines d'imagerie 3D coûteuses dans de nombreux scénarios.
Génération de structures tridimensionnelles à partir d'une tranche bidimensionnelle avec génératif expansion de la dimensionnalité basée sur le réseau.