Исследования определенных свойств металла требуют от ученых проведения длительных и дорогостоящих расчетов. Это касается вычисления напряжения и деформации.
Несмотря на то, что расчеты на бумаге давно заменили машинные алгоритмы, процесс их запуска нередко занимает дни и даже недели. А ведь именно эти данные необходимы, чтобы узнать выдержит ли строение или мост сильный ветер или другие природные катаклизмы.
Исследователи Массачусетского технологического института разработали метод быстрого определения определенных свойств материала, таких как напряжение и деформация, на основе изображения материала, показывающего его внутреннюю структуру. Такой подход может однажды устранить необходимость в сложных вычислениях на основе физики, вместо этого полагаясь на компьютерное зрение и машинное обучение для генерации оценок в реальном времени.
Исследователи обратились к технике машинного обучения под названием Generative Adversarial Neural Network. Они обучили сеть с помощью тысяч парных изображений: первое изображает внутреннюю микроструктуру материала, подверженную механическим силам, а второе – значения напряжения и деформации того же материала с цветовой кодировкой. С помощью этих примеров сеть использует принципы теории игр для итеративного определения взаимосвязей между геометрией материала и возникающими в результате напряжениями.
Полностью обученная нейросеть хорошо зарекомендовала себя в тестах, успешно отображая значения напряжений и деформаций с учетом серии крупных планов микроструктуры различных мягких композитных материалов. Нейросеть даже смогла уловить «особенности», такие как трещины, развивающиеся в материале.
Информация о результатах исследования размещена в журнале Science Advances.