Машинне навчання передбачить міцність сталі на мікрорівні

Дослідники з Університету Іллінойсу використовували зображення зразків нержавіючої сталі з високою роздільною здатністю для навчання нейронних мереж. Мета - зробити прогнози про те, як матеріал поведе себе в місцях кріплення кристалів при додатку механічного навантаження.

На перший погляд, лист стали являє собою гладку, однорідну поверхню. Але при 400-кратному збільшенні відкриється його справжня структура - кристали різної форми, поєднані під абсолютно різними кутами.

При вивченні властивостей малого фрагмента такого матеріалу неможливо проводити всі мислимі експерименти, для різних температур, тисків, кута програми навантаження. Часто фізики покладаються на моделі, але така модель буде містити занадто багато «підгоночних параметрів». Тому використовувалося машинне навчання - воно усуває необхідність у докладному моделюванні всієї фізики процесу. Для вивчення мікроструктури металу при різних навантаженнях метод був застосований вперше. Досліджувалася тенденція твердого матеріалу до деформації під постійним навантаженням. Дослідження опубліковано в Experimental Mechanics.

Результати здивували - виявилося, що відповідь нейромережі збігається з реальністю в 80% випадків - і для цього достатньо одного параметра, кута програми навантаження. Виходить, що безліч інших параметрів, в яких лежить вся «фізика», визначають всього 20% результату. Це означає, що є й інші фактори, які впливають на те, що відбувається, і відмовлятися від них не можна. Просто кут - визначальний фактор у першому наближенні.

«Модель машинного навчання, яка у нас є, працює тільки поблизу міжзерених кордонів, але не пророкує внутрішні процеси», - сказали автори. "Для процесів всередині кристалів потрібен інший набір вхідних даних. Вони вже є, зняті експериментально, але потрібна нова модель - вона заповнить моделі ".

Зрештою, дослідники прагнуть розробити алгоритм, якому можна передати зображення мікроструктури і отримати на виході потенційно небезпечні місця, де матеріал вийде з ладу. Але замість однієї великої нейронної мережі, в процесі буде кілька послідовних моделей, які будуть враховувати фізику процесу.