Cette avancée pourrait accélérer le processus de conception des ingénieurs en éliminant le besoin de résoudre des équations complexes – Technoguide

Isaac Newton a peut-être rencontré son match.

Pendant des siècles, les ingénieurs se sont appuyés sur les lois physiques – développées par Newton et d’autres – pour comprendre les contraintes et les contraintes sur les matériaux avec lesquels ils travaillent. Mais la résolution de ces équations peut être un travail de calcul, en particulier pour les matériaux complexes.

Les chercheurs du MIT ont développé une technique pour déterminer rapidement certaines propriétés d’un matériau, comme la contrainte et la déformation, sur la base d’une image du matériau montrant sa structure interne. L’approche pourrait un jour éliminer le besoin de calculs ardus basés sur la physique, en s’appuyant plutôt sur la vision par ordinateur et l’apprentissage automatique pour générer des estimations en temps réel.

Les chercheurs affirment que cette avancée pourrait permettre un prototypage de conception et des inspections de matériaux plus rapides. «C’est une toute nouvelle approche», déclare Zhenze Yang, ajoutant que l’algorithme «complète l’ensemble du processus sans aucune connaissance du domaine de la physique».

La recherche apparaît aujourd’hui dans la revue Science Advances. Yang est l’auteur principal de l’article et un doctorant au Département de science et génie des matériaux. Les co-auteurs comprennent l’ancien post-doctorant du MIT Chi-Hua Yu et Markus Buehler, le professeur McAfee d’ingénierie et le directeur du laboratoire de mécanique atomique et moléculaire.

Les ingénieurs passent beaucoup de temps à résoudre des équations. Ils aident à révéler les forces internes d’un matériau, telles que les contraintes et les contraintes, qui peuvent provoquer la déformation ou la rupture de ce matériau. De tels calculs pourraient suggérer comment un pont proposé résisterait au milieu d’un trafic intense ou de vents violents. Contrairement à Sir Isaac, les ingénieurs d’aujourd’hui n’ont pas besoin de stylo et de papier pour cette tâche. «De nombreuses générations de mathématiciens et d’ingénieurs ont écrit ces équations et ont ensuite compris comment les résoudre sur ordinateur», explique Buehler. “Mais c’est toujours un problème difficile. C’est très coûteux – cela peut prendre des jours, des semaines, voire des mois pour exécuter des simulations. Donc, nous avons pensé: apprenons à une IA à faire ce problème pour vous.”

Les chercheurs se sont tournés vers une technique d’apprentissage automatique appelée réseau neuronal d’adversité générative. Ils ont formé le réseau avec des milliers d’images appariées – l’une représentant la microstructure interne d’un matériau soumise à des forces mécaniques, et l’autre représentant les valeurs de contrainte et de déformation codées par couleur de ce même matériau. Avec ces exemples, le réseau utilise les principes de la théorie des jeux pour déterminer de manière itérative les relations entre la géométrie d’un matériau et ses contraintes résultantes.

“Ainsi, à partir d’une image, l’ordinateur est capable de prédire toutes ces forces: les déformations, les contraintes, etc.”, explique Buehler. «C’est vraiment la percée – de manière conventionnelle, vous auriez besoin de coder les équations et de demander à l’ordinateur de résoudre des équations aux dérivées partielles.

Cette approche basée sur l’image est particulièrement avantageuse pour les matériaux composites complexes. Les forces sur un matériau peuvent fonctionner différemment à l’échelle atomique qu’à l’échelle macroscopique. “Si vous regardez un avion, vous pourriez avoir de la colle, un métal et un polymère entre les deux. Donc, vous avez toutes ces différentes faces et différentes échelles qui déterminent la solution”, explique Buehler. “Si vous allez le dur – le chemin de Newton – vous devez faire un énorme détour pour arriver à la réponse.”

Mais le réseau du chercheur sait gérer plusieurs échelles. Il traite les informations à travers une série de «convolutions», qui analysent les images à des échelles de plus en plus grandes. «C’est pourquoi ces réseaux de neurones conviennent parfaitement à la description des propriétés des matériaux», déclare Buehler.

Le réseau entièrement formé a bien fonctionné lors des tests, rendant avec succès les valeurs de contrainte et de déformation à partir d’une série d’images rapprochées de la microstructure de divers matériaux composites souples. Le réseau a même pu capturer des «singularités», comme des fissures se développant dans un matériau. Dans ces cas, les forces et les champs changent rapidement sur de petites distances. «En tant que spécialiste des matériaux, vous voudriez savoir si le modèle peut recréer ces singularités», déclare Buehler. “Et la réponse est oui.”

Cette avancée pourrait «réduire considérablement les itérations nécessaires à la conception des produits», selon Suvranu De, ingénieur en mécanique à l’Institut polytechnique de Rensselaer qui n’a pas participé à la recherche. «L’approche de bout en bout proposée dans cet article aura un impact significatif sur une variété d’applications d’ingénierie – des composites utilisés dans les industries automobile et aéronautique aux biomatériaux naturels et techniques. Elle aura également des applications importantes dans le domaine de la recherche scientifique pure, car la force joue un rôle critique dans une gamme étonnamment large d’applications allant de la micro / nanoélectronique à la migration et à la différenciation des cellules. “

En plus d’économiser du temps et de l’argent aux ingénieurs, la nouvelle technique pourrait permettre aux non-experts d’accéder à des calculs de matériaux de pointe. Les architectes ou les concepteurs de produits, par exemple, pourraient tester la viabilité de leurs idées avant de transmettre le projet à une équipe d’ingénieurs. «Ils peuvent simplement dessiner leur proposition et découvrir», dit Buehler. “C’est un gros problème.”

Une fois formé, le réseau fonctionne presque instantanément sur des processeurs informatiques grand public. Cela pourrait permettre aux mécaniciens et aux inspecteurs de diagnostiquer les problèmes potentiels avec les machines simplement en prenant une photo.

Dans le nouvel article, les chercheurs ont principalement travaillé avec des matériaux composites qui comprenaient à la fois des composants souples et cassants dans une variété d’arrangements géométriques aléatoires. Dans les travaux futurs, l’équipe prévoit d’utiliser une plus large gamme de types de matériaux. «Je pense vraiment que cette méthode aura un impact énorme», déclare Buehler. “Autonomiser les ingénieurs avec l’IA est vraiment ce que nous essayons de faire ici.”

Le financement de cette recherche a été fourni, en partie, par le Bureau de recherche de l’armée et le Bureau de la recherche navale.

.

A propos Technoguide

Voir aussi

Les nouveaux écouteurs sans fil Beats Studio d’Apple avec étui de chargement repérés dans iOS, tvOS 14.6 Betas

Selon les images trouvées dans iOS 14.6 beta et tvOS 14.6 beta, Apple travaille sur …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut