O aprendizado de máquina desbloqueia o próximo nível na previsão de comportamento

ao estudar as propriedades de um material como o aço inoxidável, é impossível conduzir experimentos separados em ampliações tão altas que o sujeitem a todos os parâmetros concebíveis - a cada temperatura, a cada ângulo de carga, a cada quantidade de pressão. Portanto, muitas vezes contamos com modelos.

“Em vez de usar um modelo físico extremamente detalhado e complicado com muitos parâmetros de ajuste, usamos o aprendizado de máquina para treinar uma rede neural para fazer essas previsões”, disseram os pesquisadores. “O aprendizado de máquina ignora a necessidade de modelagem detalhada de toda a física por trás do processo e faz uma espécie de link direto, ou ajuste, entre as entradas e as saídas.

Esta é a primeira vez que esta técnica foi aplicada para aprender o que acontece em uma microestrutura de metal sob várias condições de carregamento. “Neste caso, queríamos ver quanta deformação se acumulou nos limites dos grãos em um metal policristalino durante a fluência.” os pesquisadores explicaram que fluência é a tendência de um material sólido se deformar sob uma carga contínua, da mesma forma que algumas estantes de livros acabam se dobrando com o peso dos livros.

“Acreditamos que as diferenças físicas entre os dois grãos adjacentes ao limite seriam mais importantes, ou pelo menos um parâmetro igualmente importante. Portanto, a descoberta mais notável para mim foi que um único parâmetro geométrico foi capaz de prever os resultados 80 por cento das vezes ”, disse a equipe. “É a geometria - o ângulo em que você o está carregando que fez a maior diferença. Achei isso inesperado e interessante - não que não devesse influenciar os resultados, mas de forma dramática. Foi surpreendente porque significa que toda essa modelagem sofisticada e em várias escalas que fazemos para entender toda a física talvez seja apenas cerca de 20 por cento importante. ”

Sendo o primeiro de seu tipo, deve haver um estudo muito mais aprofundado antes que possamos dizer que isso é universalmente verdadeiro.

Os pesquisadores notaram que funciona em casos de 70 a 80 por cento das vezes, mas não prevê a resposta de todas as fronteiras em todos os lugares. Isso significa que existem outros fatores além do ângulo que estão influenciando o que está acontecendo. Só que este é o mais importante ou de primeira ordem.

“O modelo de aprendizado de máquina que usamos até agora só funcionou próximo aos limites do grão”, disseram eles. “Ainda não podemos prever o que acontece no interior dos grãos. Então, número um, precisamos de um conjunto diferente de entradas que também funcionem no interior. Nós os temos experimentalmente, mas precisamos desenvolver um modelo diferente e preencher as lacunas.

“Em última análise, o que queremos é ser capaz de apenas mostrar uma imagem da microestrutura para o algoritmo e o algoritmo nos dirá quando e onde o material falhará. Mas, ao invés de fazer um grande rede neural caber do início ao fim, faremos etapas intermediárias que representam a física por trás disso e, em cada etapa, usaremos o aprendizado de máquina para determinar as entradas e saídas apropriadas. ”