Le leghe di magnesio (Mg) sono state comunemente utilizzate per la progettazione di componenti aerospaziali e automobilistici grazie al loro elevato rapporto resistenza/peso. La loro biocompatibilità e la bassa densità rendono queste leghe ideali anche per l'uso in apparecchiature biomediche ed elettroniche. Tuttavia, è noto che le leghe di Mg mostrano un comportamento plastico anisotropo. In altre parole, le loro proprietà meccaniche variano a seconda della direzione del carico applicato.
Per garantire che le prestazioni di queste leghe di Mg non siano influenzate da questo comportamento anisotropo, è necessaria una migliore comprensione delle deformazioni anisotrope e lo sviluppo di modelli per la loro analisi.
Secondo il laboratorio Metal Design &Manufacturing (MEDEM) guidato dal professore associato Taekyung Lee dell’Università nazionale di Pusan, nella Repubblica di Corea, l’apprendimento automatico (ML) potrebbe fornire risposte a questo problema di previsione. Nella loro recente svolta, il team ha proposto un nuovo approccio chiamato "Unità ricorrente recidivante (GRU) assistita da reti generative avversarie (GAN)."
Il modello possiede potenti capacità di analisi dei dati per prevedere con precisione le proprietà anisotrope plastiche delle leghe di Mg lavorate. Il loro lavoro è stato reso disponibile online nel Journal of Magnesium and Alloys il 16 gennaio 2024.
"In termini di accuratezza delle previsioni ML dal punto di vista della scienza dei dati, ci siamo resi conto che c'era spazio per miglioramenti. Pertanto, a differenza dei metodi di previsione precedentemente riportati, abbiamo sviluppato un modello ML con aumento dei dati per ottenere precisione, nonché generalizzabilità rispetto alle varie modalità di caricamento", afferma il prof. Lee, descrivendo l'idea alla base del loro nuovo modello.
"Ciò alla fine ha aperto la strada all'integrazione con un'analisi degli elementi finiti per ottenere una stima precisa dello stress di prodotti realizzati con leghe metalliche con significativa anisotropia plastica."
Per costruire un modello con maggiore precisione, il team ha combinato le intere curve di flusso, GAN, ottimizzazione degli iperparametri basata su algoritmi e l’architettura GRU, che sono alcune delle strategie chiave utilizzate nella scienza dei dati. Questo nuovo approccio facilita l'apprendimento dei dati dell'intera curva di flusso anziché limitarsi all'addestramento su proprietà meccaniche riepilogate, come molti modelli precedenti.
Per testare l’affidabilità del modello GRU assistito da GAN, il team lo ha valutato ampiamente in scenari predittivi, che vanno dall’estrapolazione, all’interpolazione e alla robustezza, con set di dati di dimensioni limitate. Una volta messo alla prova, il modello ha stimato il comportamento anisotropo delle leghe ZK60 Mg per tre direzioni di carico e in 11 condizioni di ricottura.
Con questi esperimenti, il team ha scoperto che il loro modello mostrava robustezza e generalizzabilità significativamente migliori rispetto ad altri modelli progettati per svolgere compiti simili. Queste prestazioni superiori sono principalmente attribuite all'aumento dei dati supportato da GAN e supportate dall'eccellente capacità di estrapolazione dell'architettura GRU e dall'ottimizzazione degli iperparametri, parametri i cui valori vengono utilizzati per controllare il processo di apprendimento.
Pertanto, questo studio porta la modellazione predittiva oltre le reti neurali artificiali. Dimostra con successo la capacità dei modelli basati su ML di stimare i comportamenti di deformazione anisotropa delle leghe di Mg lavorate.
"Le prestazioni complessive e la durata dei componenti realizzati in lega di Mg dipendono in gran parte dal comportamento anisotropo della plastica, il che rende la previsione e la gestione delle deformazioni una parte vitale della progettazione dei materiali. Riteniamo che il modello aiuterà nella progettazione e produzione di prodotti metallici per varie applicazioni", conclude il Prof. Lee.
Ulteriori informazioni: Sujeong Byun et al, Previsione migliorata del comportamento di deformazione anisotropa utilizzando l'apprendimento automatico con l'aumento dei dati, Journal of Magnesium and Alloys (2024). DOI:10.1016/j.jma.2023.12.007
Fornito da Pusan National University
