Machine learning ontgrendelt het volgende niveau in gedragsvoorspelling

bij het bestuderen van de eigenschappen van een materiaal als roestvrij staal, is het onmogelijk om afzonderlijke experimenten uit te voeren met zulke hoge vergrotingen dat het aan elke denkbare parameter wordt onderworpen - elke temperatuur, elke belastingshoek, elke hoeveelheid druk. We vertrouwen dus vaak op modellen.

"In plaats van een extreem gedetailleerd en omslachtig natuurkundig model met veel passende parameters te gebruiken, hebben we machine learning gebruikt om een ​​neuraal netwerk te trainen om deze voorspellingen te doen", aldus onderzoekers. “Machine learning omzeilt de noodzaak van gedetailleerde modellering van alle fysica achter het proces en maakt een soort directe link, of fitting, tussen de inputs en de outputs.

Dit is de eerste keer dat deze techniek is toegepast om te leren wat er gebeurt in een metalen microstructuur onder verschillende belastingsomstandigheden. "In dit geval wilden we zien hoeveel spanning zich tijdens kruip ophoopte aan korrelgrenzen in een polykristallijn metaal." onderzoekers legden uit dat kruip de neiging is van een vast materiaal om te vervormen onder een voortdurende belasting, net zoals sommige boekenplanken uiteindelijk buigen onder het gewicht van de boeken.

"We geloofden dat de fysieke verschillen tussen de twee korrels naast de grens belangrijker zouden zijn, of op zijn minst een even belangrijke parameter. Dus de meest opmerkelijke bevinding voor mij was dat één enkele geometrische parameter de resultaten 80 procent van de tijd kon voorspellen", aldus het team. 'Het is de geometrie — de hoek waaronder je hem laadt, die het meeste verschil maakte. Ik vond dat onverwacht en interessant - niet dat het de resultaten niet zou beïnvloeden, maar dat het dit op dramatische wijze deed. Het was verrassend omdat het betekent dat al deze geavanceerde, meerschalige modellering die we doen om alle natuurkunde te begrijpen misschien maar voor ongeveer 20 procent belangrijk is.”

Omdat het de eerste in zijn soort is, moet er veel diepgaander onderzoek plaatsvinden voordat we kunnen zeggen dat dit universeel waar is.

Onderzoekers merkten op dat het in 70 tot 80 procent van de gevallen werkt, maar het voorspelt niet de reactie van alle grenzen overal. Dit betekent dat er andere factoren zijn dan alleen de hoek die van invloed zijn op wat er gebeurt. Dit is alleen de belangrijkste of de eerste orde.

"Het machine learning-model dat we tot nu toe hebben gewerkt, werkte alleen in de buurt van de korrelgrenzen", zeiden ze. “Wat er in het graaninterieur gebeurt, kunnen we nog niet voorspellen. Dus, nummer één, we hebben een andere set inputs nodig die ook in het interieur zullen werken. We hebben ze experimenteel, maar we moeten een ander model ontwikkelen en de gaten opvullen.

“Uiteindelijk willen we alleen een afbeelding van de microstructuur aan het algoritme kunnen laten zien en het algoritme zal ons vertellen wanneer en waar het materiaal zal falen. Maar in plaats van één grote neuraal netwerk passen van begin tot eind, we gaan tussenstappen doen die de fysica erachter vertegenwoordigen en binnen elke stap zullen we machine learning gebruiken om de juiste input en output te bepalen.