Un nuovo algoritmo sviluppato all'Imperial College di Londra può convertire immagini 2D di materiali compositi in strutture 3D.
L'algoritmo di apprendimento automatico potrebbe aiutare gli scienziati dei materiali e i produttori a studiare e migliorare la progettazione e la produzione di materiali compositi come elettrodi per batterie e parti di aeromobili in 3D.
Utilizzando dati provenienti da sezioni trasversali 2D di materiali compositi, realizzati combinando diversi Materiale con proprietà fisiche e chimiche distinte, l'algoritmo può espandere le dimensioni delle sezioni trasversali per convertirle in modelli computerizzati 3D. Ciò consente agli scienziati di studiare i diversi materiali, o “fasi”, di un composito e il modo in cui si incastrano.
Lo strumento apprende l'aspetto delle sezioni trasversali 2D dei compositi e le scala in modo che le loro fasi possano essere studiate in uno spazio 3D. In futuro potrebbe essere utilizzato per ottimizzare i progetti di questi tipi di materiali consentendo a scienziati e produttori di studiare l'architettura stratificata dei compositi.
I ricercatori hanno scoperto che la loro tecnica è più economica e veloce rispetto alla creazione di rappresentazioni di computer 3D da oggetti 3D fisici. È stato anche in grado di identificare più chiaramente le diverse fasi all'interno dei materiali, cosa più difficile da fare utilizzando le tecniche attuali.
La combinazione di materiali come compositi consente di sfruttare le migliori proprietà di ogni componente, ma studiarli in dettaglio può essere impegnativo in quanto la disposizione dei materiali influisce fortemente sulle prestazioni. L'algoritmo consente ai ricercatori di prendere i propri dati di immagine 2D e generare strutture 3D con tutte le stesse proprietà, il che consente loro di eseguire simulazioni più realistiche.
Studiare, progettare e produrre materiali compositi in tre dimensioni è attualmente impegnativo. Le immagini 2D sono economiche da ottenere e danno ai ricercatori alta risoluzione, ampi campi visivi e sono molto brave a distinguere i diversi materiali. D'altra parte, le tecniche di imaging 3D sono spesso costose e relativamente sfocate. La loro bassa risoluzione rende anche difficile identificare le diverse fasi all'interno di un composito.
Ad esempio, i ricercatori non sono attualmente in grado di identificare i materiali all'interno degli elettrodi della batteria, che consistono in materiale ceramico, leganti polimetrici al carbonio e pori per la fase liquida, utilizzando tecniche di imaging 3D.
In questo studio, i ricercatori hanno utilizzato una nuova tecnica di apprendimento automatico chiamata "reti di antagonismo generativo convoluzionale profondo" (DC-GAN), inventata nel 2014.
Questo approccio, in cui due reti neurali sono fatte per competere l'una contro l'altra, è al centro dello strumento per la conversione da 2D a 3D. Una rete neurale mostra le immagini 2D e impara a riconoscerle, mentre l'altra cerca di realizzare versioni 3D "false". Se la prima rete esamina tutte le sezioni 2D nella versione 3D "falsa" e pensa che siano "reali", le versioni possono essere utilizzate per simulare qualsiasi proprietà materiale di interesse.
Lo stesso approccio consente inoltre ai ricercatori di eseguire simulazioni utilizzando materiali e composizioni diversi molto più velocemente di quanto fosse possibile in precedenza, il che accelererà la ricerca di compositi migliori.
Le prestazioni di molti dispositivi che contengono materiali compositi, come le batterie, sono strettamente legate alla disposizione 3D dei loro componenti su microscala. Tuttavia, l'imaging 3D di questi materiali in modo sufficientemente dettagliato può essere meticoloso. I ricercatori sperano che il loro nuovo strumento di apprendimento automatico darà potere alla comunità di progettazione dei materiali eliminando la dipendenza da costose macchine di imaging 3D in molti scenari.
Generazione di strutture tridimensionali da una fetta bidimensionale con generativo espansione della dimensionalità basata sulla rete del contraddittorio.