Imperial College London'da geliştirilen yeni bir algoritma, kompozit malzemelerin 2 boyutlu görüntülerini 3 boyutlu yapılara dönüştürebiliyor.
Makine öğrenimi algoritması, malzeme bilimcilerinin ve üreticilerinin, pil elektrotları ve uçak parçaları gibi kompozit malzemelerin tasarımını ve üretimini 3 boyutlu olarak incelemelerine ve geliştirmelerine yardımcı olabilir.
Farklı malzemelerin birleştirilmesiyle oluşturulan kompozit malzemelerin 2 boyutlu kesitlerinden elde edilen veriler kullanılarak malzemeler Farklı fiziksel ve kimyasal özelliklere sahip olan algoritma, kesitlerin boyutlarını genişleterek bunları 3 boyutlu bilgisayarlı modellere dönüştürebiliyor. Bu, bilim adamlarının bir kompozitin farklı malzemelerini veya "fazlarını" ve bunların birbirine nasıl uyum sağladığını incelemesine olanak tanır.
Araç, kompozitlerin 2 boyutlu kesitlerinin neye benzediğini öğreniyor ve fazlarının 3 boyutlu bir alanda incelenebilmesi için bunları ölçeklendiriyor. Gelecekte bilim adamlarının ve üreticilerin kompozitlerin katmanlı mimarisini incelemesine olanak tanıyarak bu tür malzemelerin tasarımlarını optimize etmek için kullanılabilir.
Araştırmacılar, tekniklerinin, fiziksel 3 boyutlu nesnelerden 3 boyutlu bilgisayar temsilleri oluşturmaktan daha ucuz ve daha hızlı olduğunu buldu. Ayrıca, mevcut tekniklerle yapılması daha zor olan malzemeler içindeki farklı aşamaları daha net bir şekilde tanımlayabildi.
Malzemeleri kompozit olarak birleştirmek, her bir bileşenin en iyi özelliklerinden yararlanmanıza olanak tanır, ancak malzemelerin düzeni performansı güçlü bir şekilde etkilediğinden bunları ayrıntılı olarak incelemek zor olabilir. Algoritma, araştırmacıların 2 boyutlu görüntü verilerini alıp aynı özelliklere sahip 3 boyutlu yapılar oluşturmalarına olanak tanıyor ve bu da onların daha gerçekçi simülasyonlar gerçekleştirmesine olanak tanıyor.
Kompozit malzemeleri üç boyutlu olarak incelemek, tasarlamak ve üretmek şu anda zorludur. 2D görüntülerin elde edilmesi ucuzdur ve araştırmacılara yüksek çözünürlük, geniş görüş alanı sağlar ve farklı malzemeleri birbirinden ayırmada çok iyidir. Öte yandan, 3 boyutlu görüntüleme teknikleri genellikle pahalıdır ve nispeten bulanıktır. Düşük çözünürlükleri aynı zamanda bir kompozit içindeki farklı fazların tanımlanmasını da zorlaştırır.
Örneğin, araştırmacılar şu anda 3 boyutlu görüntüleme tekniklerini kullanarak batarya elektrotları içindeki seramik malzeme, karbon polimetrik bağlayıcılar ve sıvı faz için gözeneklerden oluşan malzemeleri tanımlayamıyor.
Bu çalışmada araştırmacılar, 2014 yılında icat edilen 'derin evrişimli üretken çekişmeli ağlar' (DC-GAN'ler) adı verilen yeni bir makine öğrenme tekniğini kullandılar.
İki sinir ağının birbiriyle rekabet edecek şekilde oluşturulduğu bu yaklaşım, 2B'yi 3B'ye dönüştürme aracının merkezinde yer alıyor. Bir sinir ağına 2 boyutlu görüntüler gösteriliyor ve bunları tanımayı öğreniyor, diğeri ise "sahte" 3 boyutlu versiyonlar oluşturmaya çalışıyor. İlk ağ, "sahte" 2B versiyonundaki tüm 3B dilimlere bakar ve bunların "gerçek" olduğunu düşünürse, bu durumda sürümler, ilgilenilen herhangi bir maddi özelliği simüle etmek için kullanılabilir.
Aynı yaklaşım aynı zamanda araştırmacıların farklı malzeme ve kompozisyonlar kullanarak simülasyonları daha önce mümkün olandan çok daha hızlı yürütmesine olanak tanıyor ve bu da daha iyi kompozit arayışını hızlandıracak.
Piller gibi kompozit malzemeler içeren birçok cihazın performansı, bileşenlerinin mikro ölçekte 3 boyutlu düzenine yakından bağlıdır. Ancak bu malzemelerin yeterli ayrıntıyla 3 boyutlu olarak görüntülenmesi zahmetli olabilir. Araştırmacılar, yeni makine öğrenimi araçlarının birçok senaryoda pahalı 3D görüntüleme makinelerine olan bağımlılıktan kurtularak malzeme tasarımı topluluğunu güçlendireceğini umuyor.
İki boyutlu bir dilimden üç boyutlu yapılar oluşturma üretken rakip ağ tabanlı boyutluluk genişlemesi.