Машинное обучение открывает новый уровень прогнозирования поведения

при изучении свойств такого материала, как нержавеющая сталь, невозможно проводить отдельные эксперименты при таком большом увеличении, которое подвергало бы его воздействию всех мыслимых параметров - каждой температуры, каждого угла нагрузки, каждой величины давления. Поэтому мы часто полагаемся на модели.

«Вместо того, чтобы использовать чрезвычайно подробную и громоздкую физическую модель с множеством подгоночных параметров, мы использовали машинное обучение для обучения нейронной сети, чтобы делать эти прогнозы», - говорят исследователи. «Машинное обучение устраняет необходимость в подробном моделировании всей физики, лежащей в основе процесса, и создает своего рода прямую связь или подгонку между входами и выходами.

Это первый раз, когда этот метод был применен для изучения того, что происходит в микроструктуре металла при различных условиях нагружения. «В данном случае мы хотели увидеть, сколько деформации накапливается на границах зерен в поликристаллическом металле во время ползучести». Исследователи объяснили, что ползучесть - это тенденция твердого материала к деформации под постоянной нагрузкой, подобно тому, как некоторые книжные полки в конечном итоге прогибаются под весом книг.

«Мы полагали, что физические различия между двумя зернами, прилегающими к границе, будут более важными или, по крайней мере, не менее важным параметром. Итак, наиболее примечательным открытием для меня было то, что один единственный геометрический параметр мог предсказать результаты в 80% случаев », - сказала команда. «Главное отличие - геометрия - угол, под которым вы ее загружаете. Я нашел это неожиданным и интересным - не то, что это не должно повлиять на результаты, а то, что это произошло так резко. Это было удивительно, потому что это означает, что все это сложное, многомасштабное моделирование, которое мы делаем, чтобы понять всю физику, возможно, имеет значение только примерно на 20 процентов ».

Будучи первым в своем роде, необходимо провести более глубокое изучение, прежде чем мы сможем сказать, что это универсально верно.

Исследователи отметили, что это работает в 70–80% случаев, но не позволяет предсказать реакцию всех границ повсюду. Это означает, что есть и другие факторы, помимо угла зрения, которые влияют на происходящее. Просто это самый важный или первоочередной.

«Модель машинного обучения, которую мы до сих пор использовали, работала только вблизи границ зерен», - сказали они. «Мы пока не можем предсказать, что происходит внутри зерна. Итак, номер один, нам нужен другой набор входов, который также будет работать в интерьере. У нас они есть экспериментально, но нам нужно разработать другую модель и восполнить пробелы.

«В конечном итоге мы хотим иметь возможность просто показать алгоритму изображение микроструктуры, и алгоритм сообщит нам, когда и где материал выйдет из строя. Но вместо того, чтобы делать одну большую нейронной сети соответствовать от начала до конца, мы будем делать промежуточные шаги, которые представляют физику, лежащую в основе этого, и на каждом шаге мы будем использовать машинное обучение для определения подходящих входных и выходных данных ».