Een nieuw algoritme dat is ontwikkeld aan het Imperial College London kan 2D-afbeeldingen van composietmaterialen omzetten in 3D-structuren.
Het algoritme voor machine learning zou materiaalwetenschappers en fabrikanten kunnen helpen bij het bestuderen en verbeteren van het ontwerp en de productie van composietmaterialen zoals batterijelektroden en vliegtuigonderdelen in 3D.
Gebruikmakend van gegevens uit 2D-dwarsdoorsneden van composietmaterialen, die ontstaan door verschillende te combineren materieel met verschillende fysische en chemische eigenschappen kan het algoritme de afmetingen van doorsneden uitbreiden om ze om te zetten in 3D-computermodellen. Hierdoor kunnen wetenschappers de verschillende materialen, of ‘fasen’, van een composiet bestuderen en hoe ze in elkaar passen.
De tool leert hoe 2D-doorsneden van composieten eruit zien en schaalt ze op zodat hun fasen in een 3D-ruimte kunnen worden bestudeerd. Het zou in de toekomst kunnen worden gebruikt om de ontwerpen van dit soort materialen te optimaliseren door wetenschappers en fabrikanten in staat te stellen de gelaagde architectuur van de composieten te bestuderen.
De onderzoekers ontdekten dat hun techniek goedkoper en sneller was dan het maken van 3D-computerrepresentaties van fysieke 3D-objecten. Het was ook in staat om verschillende fasen binnen de materialen duidelijker te identificeren, wat moeilijker is met de huidige technieken.
Door materialen te combineren tot composieten, kunt u profiteren van de beste eigenschappen van elk onderdeel, maar het kan een uitdaging zijn om ze in detail te bestuderen, aangezien de rangschikking van de materialen de prestaties sterk beïnvloedt. Het algoritme stelt onderzoekers in staat om hun 2D-beeldgegevens te nemen en 3D-structuren te genereren met dezelfde eigenschappen, waardoor ze realistischere simulaties kunnen uitvoeren.
Het bestuderen, ontwerpen en vervaardigen van composietmaterialen in drie dimensies is momenteel een uitdaging. 2D-afbeeldingen zijn goedkoop te verkrijgen en geven onderzoekers een hoge resolutie, brede gezichtsvelden, en zijn erg goed in het onderscheiden van de verschillende materialen. Aan de andere kant zijn 3D-beeldvormingstechnieken vaak duur en relatief wazig. Hun lage resolutie maakt het ook moeilijk om verschillende fasen binnen een composiet te identificeren.
Onderzoekers zijn bijvoorbeeld momenteel niet in staat om met behulp van 3D-beeldvormingstechnieken materialen te identificeren in batterijelektroden, die bestaan uit keramisch materiaal, polymetrische koolstofbinders en poriën voor de vloeistoffase.
In deze studie gebruikten de onderzoekers een nieuwe machine learning-techniek genaamd 'deep convolutionele generatieve vijandige netwerken' (DC-GAN's) die in 2014 werd uitgevonden.
Deze benadering, waarbij twee neurale netwerken worden gemaakt om tegen elkaar te concurreren, vormt de kern van de tool voor het converteren van 2D naar 3D. Het ene neurale netwerk krijgt de 2D-beelden te zien en leert ze te herkennen, terwijl het andere "nep" 3D-versies probeert te maken. Als het eerste netwerk naar alle 2D-segmenten in de "nep" 3D-versie kijkt en denkt dat ze "echt" zijn, dan kunnen de versies worden gebruikt voor het simuleren van elke materiële eigenschap die van belang is.
Dezelfde aanpak stelt onderzoekers ook in staat om simulaties uit te voeren met verschillende materialen en composities veel sneller dan voorheen mogelijk was, wat de zoektocht naar betere composieten zal versnellen.
De prestaties van veel apparaten die composietmaterialen bevatten, zoals batterijen, zijn nauw verbonden met de 3D-opstelling van hun componenten op microschaal. 3D-beeldvorming van deze materialen met voldoende detail kan echter nauwgezet zijn. Onderzoekers hopen dat hun nieuwe machine learning-tool de gemeenschap van materiaalontwerpers zal versterken door in veel scenario's de afhankelijkheid van dure 3D-beeldvormingsmachines weg te nemen.
Driedimensionale structuren genereren uit een tweedimensionale plak met generatief vijandige netwerkgebaseerde dimensionaliteitsuitbreiding.