Algoritma baru yang dikembangkan di Imperial College London dapat menukar gambar 2D bahan komposit menjadi struktur 3D.
Algoritma pembelajaran mesin dapat membantu saintis dan pengeluar bahan untuk mengkaji dan memperbaiki reka bentuk dan pengeluaran bahan komposit seperti elektrod bateri dan bahagian pesawat dalam bentuk 3D.
Menggunakan data daripada keratan rentas 2D bahan komposit, yang dibuat dengan menggabungkan berbeza lengkap dengan sifat fizikal dan kimia yang berbeza, algoritma boleh mengembangkan dimensi keratan rentas untuk menukarnya kepada model berkomputer 3D. Ini membolehkan saintis mengkaji bahan yang berbeza, atau "fasa," komposit dan cara ia sesuai bersama.
Alat ini mempelajari bentuk keratan rentas 2D dan menimbangnya sehingga fasa mereka dapat dikaji dalam ruang 3D. Di masa depan dapat digunakan untuk mengoptimumkan reka bentuk jenis bahan ini dengan memungkinkan para saintis dan pengilang mempelajari seni bina berlapis komposit.
Para penyelidik mendapati teknik mereka lebih murah dan lebih pantas daripada membuat representasi komputer 3D dari objek 3D fizikal. Ia juga dapat mengenal pasti fasa yang berbeza dalam bahan dengan lebih jelas, yang lebih sukar dilakukan dengan menggunakan teknik semasa.
Menggabungkan bahan sebagai komposit membolehkan anda memanfaatkan sifat terbaik setiap komponen, tetapi mempelajarinya secara terperinci boleh mencabar kerana susunan bahan sangat mempengaruhi prestasi. Algoritma ini membolehkan penyelidik mengambil data gambar 2D mereka dan menghasilkan struktur 3D dengan semua sifat yang sama, yang membolehkan mereka melakukan simulasi yang lebih realistik.
Mengkaji, merancang, dan membuat bahan komposit dalam tiga dimensi kini amat mencabar. Imej 2D murah untuk diperolehi dan memberi peneliti resolusi tinggi, bidang pandangan yang luas, dan sangat pandai membezakan pelbagai bahan. Sebaliknya, teknik pengimejan 3D sering kali mahal dan agak kabur. Resolusi rendah mereka juga menyukarkan untuk mengenal pasti fasa yang berbeza dalam komposit.
Sebagai contoh, para penyelidik pada masa ini tidak dapat mengenal pasti bahan dalam elektrod bateri, yang terdiri daripada bahan seramik, pengikat polimetrik karbon, dan liang untuk fasa cecair, menggunakan teknik pencitraan 3D.
Dalam kajian ini, para penyelidik menggunakan teknik pembelajaran mesin baru yang disebut 'jaringan lawan generatif konvolusional' (DC-GAN) yang diciptakan pada tahun 2014.
Pendekatan ini, di mana dua rangkaian saraf dibuat untuk bersaing satu sama lain, berada di tengah-tengah alat untuk menukar 2D ke 3D. Satu rangkaian saraf ditunjukkan gambar 2D dan belajar mengenalinya, sementara yang lain cuba membuat versi 3D "palsu". Sekiranya rangkaian pertama melihat semua kepingan 2D dalam versi 3D "palsu" dan menganggapnya "nyata", maka versi tersebut dapat digunakan untuk mensimulasikan sebarang harta benda yang menarik.
Pendekatan yang sama juga membolehkan para penyelidik menjalankan simulasi menggunakan bahan dan komposisi yang berbeza jauh lebih pantas daripada yang mungkin sebelumnya, yang akan mempercepat pencarian komposit yang lebih baik.
Prestasi banyak peranti yang mengandungi bahan komposit, seperti bateri, sangat berkaitan dengan susunan 3D komponennya pada skala mikro. Walau bagaimanapun, pencitraan 3D bahan-bahan ini dengan cukup terperinci boleh menyusahkan. Para penyelidik berharap alat pembelajaran mesin baru mereka dapat memperkasakan komuniti reka bentuk bahan dengan menghilangkan pergantungan pada mesin pencitraan 3D yang mahal dalam banyak senario.
Menghasilkan struktur tiga dimensi dari kepingan dua dimensi dengan generatif pengembangan dimensi berasaskan rangkaian musuh.