Scienziati della Nanyang Technological University, Singapore (NTU Singapore), Massachusetts Institute of Technology (MIT), e la Brown University hanno sviluppato nuovi approcci che migliorano significativamente l'accuratezza di un'importante tecnica di test sui materiali sfruttando la potenza dell'apprendimento automatico.

Nano-indentazione, il processo di perforare un campione di un materiale con una punta affilata a forma di ago per vedere come risponde il materiale deformandosi, è importante in molte applicazioni di produzione, ma la sua scarsa accuratezza nell'ottenere alcune proprietà meccaniche chiave di un materiale ha impedito che venisse ampiamente utilizzato nell'industria.

Utilizzando il processo standard di nano-indentazione e fornendo i dati misurati sperimentalmente a un sistema di apprendimento automatico della rete neurale, gli scienziati hanno sviluppato e addestrato il sistema per prevedere la resistenza allo snervamento del campione 20 volte più accuratamente rispetto ai metodi esistenti.

La nuova tecnica analitica potrebbe ridurre la necessità di lunghe e costose simulazioni al computer per garantire che le parti prodotte utilizzate in applicazioni strutturali come aeroplani e automobili, e quelli realizzati con tecniche di produzione digitale come la stampa 3D sono sicuri da usare in condizioni di vita reale.

L'autore corrispondente senior di questo articolo, Subra Suresh, illustre professore universitario della NTU, che è anche il rettore dell'università, disse, "Incorporando gli ultimi progressi nell'apprendimento automatico con la nano-indentazione, abbiamo dimostrato che è possibile migliorare la precisione delle stime delle proprietà dei materiali fino a 20 volte. Abbiamo anche convalidato la capacità predittiva e il miglioramento della precisione di questo sistema su leghe di alluminio prodotte in modo convenzionale e leghe di titanio stampate in 3D. Ciò indica il potenziale del nostro metodo per le applicazioni di produzione digitale nell'Industria 4.0, soprattutto in aree come la stampa 3D."

I risultati saranno pubblicati nel Atti dell'Accademia Nazionale delle Scienze questa settimana.

Benefici materiali da un approccio ibrido

Il metodo, sviluppato dal team di ricercatori di NTU, MIT, e marrone, è un approccio ibrido che combina l'apprendimento automatico con tecniche di nano-indentazione all'avanguardia.

Il processo inizia con la pressione di una punta dura, tipicamente realizzata in un materiale come il diamante, nel materiale del campione a una velocità controllata con una forza calibrata con precisione, misurando costantemente la profondità di penetrazione della punta nel materiale in deformazione.

La sfida sorge perché il processo di decodifica dei dati misurati sperimentalmente risultanti è estremamente complesso e attualmente impedisce l'uso diffuso della tecnica di test della nano-indentazione, nella produzione di aerei e automobili, secondo il professor Upadrasta Ramamurty della NTU, che detiene la cattedra di Presidente in Ingegneria meccanica e aerospaziale e Scienza e ingegneria dei materiali presso NTU.

Per migliorare la precisione in tali situazioni, il team NTU-MIT-Brown ha sviluppato una rete neurale avanzata, un sistema informatico modellato liberamente sul cervello umano, e l'ha "addestrato" con una combinazione di dati sperimentali reali e dati generati dal computer. Il loro approccio "multi-fedeltà" a dati sperimentali reali e dati "sintetici" basati sulla fisica e simulati computazionalmente (da simulazioni computerizzate sia bidimensionali che tridimensionali) con algoritmi di deep learning.

Il principale ricercatore del MIT e professore in visita all'NTU Ming Dao ha affermato che i precedenti tentativi di utilizzare l'apprendimento automatico per analizzare le proprietà dei materiali riguardavano principalmente l'uso di dati "sintetici" generati dal computer in condizioni irrealisticamente perfette, ad esempio dove la forma della punta del penetratore è perfettamente nitido, e il movimento del penetratore è perfettamente regolare. Di conseguenza, le misurazioni previste dall'apprendimento automatico erano imprecise.

Addestrare la rete neurale inizialmente con dati sintetici, quindi incorporando un numero relativamente piccolo di punti dati sperimentali reali, però, può migliorare sostanzialmente l'accuratezza dei risultati, la squadra ha trovato.

Riferiscono inoltre che la formazione con dati sintetici può essere eseguita in anticipo, con un piccolo numero di risultati sperimentali reali da aggiungere per la calibrazione quando si tratta di valutare le proprietà dei materiali reali.

Il professor Suresh ha detto, "L'uso di punti dati sperimentali reali aiuta a compensare il mondo ideale che si assume nei dati sintetici. Utilizzando un buon mix di punti dati dal mondo idealizzato e reale, il risultato finale è un errore drasticamente ridotto."