Uczenie maszynowe pomaga przewidzieć zachowanie stali nierdzewnej. I to prawdziwych szczegółach

Analizują strukturę stali nierdzewnej w 400-krotnym powiększeniu, naukowcy – korzystając z uczenia maszynowego – są w stanie przewidywać, jak dany materiał będzie reagował na naprężenia.

Ustalenia w tej sprawie są dostępne na łamach Experimental Mechanics i opisują dokonania zespołu badawczego z University of Illinois Urbana-Champaign. Okazuje się, iż uczenie maszynowe było w tym przypadku niezbędne do przewidywania wielu różnych parametrów, takich jak temperatura czy ciśnienie, wpływających na właściwości danego materiału.

Czytaj też: Jak rozpoznać psychopatę? Uczenie maszynowe zna odpowiedź

Zamiast korzystać z niezwykle szczegółowego i kłopotliwego modelu fizycznego z wieloma parametrami, wykorzystaliśmy uczenie maszynowe do wytrenowania sieci neuronowej, aby dokonać tych przewidywań. Uczenie maszynowe omija potrzebę szczegółowego modelowania całej fizyki procesu i tworzy coś w rodzaju bezpośredniego związku lub dopasowania między danymi wejściowymi a danymi wyjściowymi.

John Lambros, University of Illinois Urbana-Champaign

Uczenie maszynowe zapewnia wgląd w najmniejsze szczegóły w strukturze stali

W efekcie Lambros i jego współpracownicy byli w stanie obejrzeć mikrostruktury stali nierdzewnej w niebywałych szczegółach. Ich celem było określenie skali powstających odkształceń związanych z tendencją danego materiału do deformacji wynikających z ciągłego obciążenia. Naukowcy doszli do wniosku, iż najważniejszym elementem wpływającym na wytrzymałość stali jest kąt ustawienia ziaren. Jest tak w 70-80% przypadków, co zaskoczyło badaczy.

Czytaj też: Pierwsza na świecie ekologiczna stal już w rękach Volvo

Ostatecznym celem naukowców jest stworzenie algorytmu, które będzie w stanie obejrzeć obraz mikrostruktury i ocenić, kiedy oraz w którym miejscu mogą pojawić się uszkodzenia. Jak dodają, na obecną chwilę nie są w stanie przewidzieć, co dzieje się we wnętrzu ziarna. Kluczem do rozwiązania problemu wydaje się dostęp do innego zestawu danych wejściowych, które będą obejmować również wnętrze. Potrzeba więc nowszego modelu i wypełnienia dotychczasowych luk.