机器学习技术使对材料机械性能的预测更加精确

 
新加坡南洋理工大学(NTU新加坡)，麻省理工学院(MIT)和布朗大学的科学家们已经开发出新方法，这些新方法可以利用机器学习的力量显着提高重要材料测试技术的准确性。
纳米压痕是一种戳刺带有尖锐的针状尖端的材料样本以查看材料如何通过变形做出反应的过程，在许多制造应用中都很重要，但是在获得材料的某些关键机械性能方面其准确性较差。使其无法在工业中广泛使用。
通过使用标准的纳米压痕工艺并将其实验测量的数据输入到神经网络机器学习系统，科学家开发并训练了该系统，以预测样品屈服强度，精度是现有方法的20倍。
新的分析技术可以减少对耗时且昂贵的计算机仿真的需求，以确保用于飞机和汽车等结构应用的制成零件以及由数字制造技术(例如3D打印)制成的零件在实际中可以安全使用生活条件。
该论文的资深资深作者，同时也是大学校长的NTU杰出大学教授Subra Suresh说：“通过将机器学习的最新进展与纳米压痕相结合，我们已经表明可以提高纳米压痕的精度。材料性能的估计值多达20倍，我们还验证了该系统对传统制造的铝合金和3-D打印的钛合金的预测能力和准确性的增强，这表明我们的方法在工业4.0中数字制造应用中的潜力，尤其是在3D打印等领域。”
研究结果将于本周在《美国国家科学院院刊》上发表。
混合方法带来的实质利益
该方法由NTU，MIT和Brown的研究人员团队开发，是一种将机器学习与最新的纳米压痕技术相结合的混合方法。
该过程首先以精确校准的力以受控的速率将通常由金刚石等材料制成的坚硬尖端压入样品材料，同时不断测量尖端对变形材料的穿透深度。
NTU教授Upadrasta Ramamurty认为，挑战的产生是因为对所得的实验测量数据进行解码的过程极其复杂，并且目前正在阻止纳米压痕测试技术在飞机和汽车的制造中广泛使用。南大机械与航空航天工程与材料科学与工程系主席。
为了提高这种情况下的准确性，NTU-MIT-Brown团队开发了一种先进的神经网络(一种在人脑上松散建模的计算系统)，并结合了真实的实验数据和计算机生成的数据对其进行了“训练”。他们的“多保真度”使用深度学习算法来处理真实的实验数据以及基于物理和计算模拟的“合成”数据(来自二维和三维计算机仿真)。
麻省理工学院首席研究科学家兼南大访问教授明道说，以前使用机器学习分析材料特性的尝试主要涉及在不切实际的完美条件下使用计算机生成的“合成”数据，例如，压头尖端的形状是完全清晰，压头的运动也非常流畅。结果是机器学习预测的测量结果不准确。
研究小组发现，最初使用合成数据训练神经网络，然后合并相对少量的真实实验数据点，可以大大提高结果的准确性。
他们还报告说，可以提前进行合成数据的训练，在评估实际材料的性能时，可以添加少量实际实验结果以进行校准。
Suresh教授说：“使用真实的实验数据点有助于补偿合成数据中假设的理想世界。通过将理想化和现实世界中的数据点很好地结合在一起，最终结果可以大大减少误差。”