Một thuật toán mới được phát triển tại Đại học Hoàng gia London có thể chuyển đổi hình ảnh 2D của vật liệu composite thành cấu trúc 3D.
Thuật toán học máy có thể giúp các nhà khoa học và nhà sản xuất vật liệu nghiên cứu và cải tiến thiết kế và sản xuất các vật liệu composite như điện cực pin và các bộ phận máy bay ở chế độ 3D.
Sử dụng dữ liệu từ mặt cắt 2D của vật liệu composite, được tạo ra bằng cách kết hợp các mặt cắt khác nhau nguyên vật liệu với các đặc tính vật lý và hóa học riêng biệt, thuật toán có thể mở rộng kích thước của các mặt cắt để chuyển đổi chúng thành mô hình vi tính 3D. Điều này cho phép các nhà khoa học nghiên cứu các vật liệu khác nhau, hay “các pha” khác nhau của hỗn hợp và cách chúng khớp với nhau.
Công cụ này tìm hiểu các mặt cắt 2D của vật liệu tổng hợp trông như thế nào và chia tỷ lệ chúng để các giai đoạn của chúng có thể được nghiên cứu trong không gian 3D. Nó có thể được sử dụng trong tương lai để tối ưu hóa thiết kế của các loại vật liệu này bằng cách cho phép các nhà khoa học và nhà sản xuất nghiên cứu kiến trúc phân lớp của vật liệu tổng hợp.
Các nhà nghiên cứu nhận thấy kỹ thuật của họ rẻ hơn và nhanh hơn so với việc tạo ra các biểu diễn máy tính 3D từ các vật thể 3D vật lý. Nó cũng có thể xác định rõ ràng hơn các pha khác nhau trong vật liệu, điều này khó thực hiện hơn bằng các kỹ thuật hiện tại.
Việc kết hợp các vật liệu làm vật liệu tổng hợp cho phép bạn tận dụng các đặc tính tốt nhất của từng thành phần, nhưng việc nghiên cứu chi tiết chúng có thể là một thách thức vì sự sắp xếp của các vật liệu ảnh hưởng mạnh đến hiệu suất. Thuật toán cho phép các nhà nghiên cứu lấy dữ liệu hình ảnh 2D của họ và tạo ra các cấu trúc 3D với tất cả các thuộc tính giống nhau, cho phép họ thực hiện các mô phỏng thực tế hơn.
Việc nghiên cứu, thiết kế và sản xuất vật liệu composite trong không gian ba chiều hiện đang là một thách thức. Hình ảnh 2D rẻ để có được và cung cấp cho các nhà nghiên cứu độ phân giải cao, trường nhìn rộng và rất tốt trong việc phân biệt các vật liệu khác nhau. Mặt khác, kỹ thuật hình ảnh 3D thường đắt tiền và tương đối mờ. Độ phân giải thấp của chúng cũng gây khó khăn cho việc xác định các pha khác nhau trong một tổ hợp.
Ví dụ, các nhà nghiên cứu hiện không thể xác định vật liệu bên trong điện cực pin, bao gồm vật liệu gốm, chất kết dính đa lượng carbon và lỗ xốp cho pha lỏng, bằng cách sử dụng kỹ thuật hình ảnh 3D.
Trong nghiên cứu này, các nhà nghiên cứu đã sử dụng một kỹ thuật máy học mới được gọi là 'mạng đối phương biến đổi ngẫu nhiên sâu' (DC-GANs) được phát minh vào năm 2014.
Cách tiếp cận này, trong đó hai mạng nơ-ron được tạo ra để cạnh tranh với nhau, là trọng tâm của công cụ chuyển đổi 2D sang 3D. Một mạng thần kinh được hiển thị các hình ảnh 2D và học cách nhận ra chúng, trong khi mạng kia cố gắng tạo ra các phiên bản 3D "giả". Nếu mạng đầu tiên nhìn vào tất cả các lát 2D trong phiên bản 3D “giả” và nghĩ rằng chúng là “thật” thì các phiên bản này có thể được sử dụng để mô phỏng bất kỳ thuộc tính vật chất nào mà bạn quan tâm.
Cách tiếp cận tương tự cũng cho phép các nhà nghiên cứu chạy mô phỏng bằng các vật liệu và thành phần khác nhau nhanh hơn nhiều so với trước đây có thể, điều này sẽ thúc đẩy việc tìm kiếm các vật liệu tổng hợp tốt hơn.
Hiệu suất của nhiều thiết bị có chứa vật liệu composite, chẳng hạn như pin, gắn chặt với sự sắp xếp 3D của các thành phần của chúng ở quy mô nhỏ. Tuy nhiên, việc chụp ảnh 3D những vật liệu này đủ chi tiết có thể rất khó khăn. Các nhà nghiên cứu đang hy vọng rằng công cụ học máy mới của họ sẽ trao quyền cho cộng đồng thiết kế vật liệu bằng cách thoát khỏi sự phụ thuộc vào các máy hình ảnh 3D đắt tiền trong nhiều tình huống.
Tạo cấu trúc ba chiều từ lát cắt hai chiều với thế hệ mở rộng kích thước dựa trên mạng đối thủ.