الگوریتم کاهش اشتباهات از دندانه-تست مواد

یک الگوریتم جدید بسیار کاهش نرخ خطا درگیر در تست خواص مکانیکی مواد, محققان گزارش.

این می تواند به خصوص مفید برای ارزیابی مدرن 3D-مواد چاپ شده.

استفاده دندانه است وسیله ای برای آزمایش خواص مکانیکی مواد در غیر مخرب راه است. این روش شامل اندازه گیری نیروهای مورد نیاز برای ایجاد فرورفتگی کوچک در مواد و با استفاده از آن اندازه گیری برای محاسبه خواص مواد.

این روش کار می کند بزرگ برای اندازه گیری تغییر شکل الاستیک—نیروهای درگیر در ساخت فرورفتگی است که پاپ ، اما آن را بسیار عالی برای تغییر شکل پلاستیک—نیروهایی که باعث تغییرات غیر قابل برگشت به مواد. در حال حاضر یک تیم تحقیق و توسعه جدید در هوش مصنوعی الگوریتم که بسیار بهبود می بخشد دقت تغییر شکل پلاستیک اندازه گیری.

“خطا در نرخ استفاده از این تکنیک برای پلاستیک خواص شده بود در دستور 140% می گوید:” جورج Karniadakis یک پروفسور ریاضیات کاربردی در دانشگاه براون است. “اما با استفاده از این دستگاه آموزش روش ما می تواند آن را به 4 یا 5 درصد است.”

الگوریتم به نظر می رسد در یک مقاله در مجموعه مقالات آکادمی ملی علوم. این کار یک همکاری میان محققان در قهوه ای موسسه تکنولوژی ماساچوست و دانشگاه فنی Nanyang (NTU) در سنگاپور است. تیم تحقیقاتی شامل Subra Suresh سابق براون استاد دانشگاه و بنیاد ملی علوم کارگردان است که در حال حاضر رئیس جمهور از NTU.

کلید پیشرفت است که مجموعه ای از شبکه های عصبی الگوریتم های یادگیری ماشین است که قادر به یادگیری از داده های مختلف با کیفیت. این “multifidelity” رویکرد می توانید ترکیب های پایین تر-وفاداری اطلاعات از کامپیوتر شبیه سازی تغییر شکل پلاستیک با اطلاعات مستقیم از آزمایش. از داده های تجربی بسیار بالاتر در کیفیت است اما اغلب کمیاب برای یک ماده داده شده است. با ترکیب داده های تجربی با شبیه سازی های multifidelity الگوریتم نیاز دارد تنها تعداد انگشت شماری از آزمایش برای بازگشت به نتایج قابل اعتماد.

محققان همچنین نشان داد که یک شبکه عصبی که آموزش داده شده بود در یکی از مواد می تواند به راحتی اقتباس به مواد مختلف با حداقل آموزش های اضافی.

“به طور معمول آن را 10,000 تکرار برای آموزش یک شبکه در یک ماده جدید می گوید:” Lu Lu, یک پژوهشگر فوق دکترا در قهوه ای و مطالعه منجر نویسنده. “اما ما می توانیم با استفاده از اطلاعات از یک مواد و انتقال آن به مواد جدید تنها با چند داده های تجربی است ،

Karniadakis می گوید: الگوریتم های جدید به راحتی می توان گنجانیده شده موجود استفاده دندانه های سخت افزاری. محققان اختراع الگوریتم و برنامه ریزی برای آنها را به صورت تجاری در دسترس. این سیستم جدید می تواند به خصوص مفید برای ارزیابی مواد ساخته شده از طریق چاپ 3D و دیگر افزودنی روش های تولید که در آن داده های تجربی در خواص خود را دارد به خصوص کمیاب است.

“مواد را به دقت مورد آزمایش قرار قبل از آنها استفاده می شود به خصوص در مناطقی مانند صنعت هوافضا و بحرانی دیگر برنامه های کاربردی” Karniadakis می گوید. “همانطور که ما حرکت بیشتر به سمت چاپ 3D و دیگر افزودنی تولید وجود دارد نیاز به بررسی این رمان مواد و این کمک خواهد کرد که برای انجام این کار است.”

حمایت از کار آمد از ارتش ایالات متحده تحقیقات آزمایشگاهی و وزارت انرژی ایالات متحده.

منبع: دانشگاه براون

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>