工程新闻

神经网络的可塑性材料预测

深学习方法模型材料受力变形如何

在西北开发出一种新的神经网络结构工程可以预测材料的可塑性,材料的微观结构考虑一个更好更快的比传统方法。

曹简由于可塑性 - 如何强制下的材料变形 - 制造和材料方面你重要的影响,这各行业使用新的方法可以。该模型是直接从行为数据检索和有效的材料结合的材料微结构图案的效果,而不需要迭代求解方程。

“当我们开发更先进的材料,我们需要系统的方法来了解他们的复杂行为”之说 曹简,机械工程卡迪斯·科林斯教授工程威尼斯人官网麦考密克学院,谁共同领导了这项研究。 “深度学习方法提供了一种方法做ESTA随着精度和速度,以帮助设计的优化。”

是结果发表在12月16日 在美国国家科学院院刊 科学。

材料的可塑性是很难模型,因为它改变的不仅仅是材料的初始结构也变形的历史:如果材料变形,变形,可以再后来就影响到其他变形。知识是在行业,如制造业,原材料哪里是最后往往成为通过几个步骤和过程形成了形状非常重要。

数学模型现象 - 这描述的现象,彼此之间的关系模型 - 在历史上用来计算去过的可塑性,但这种模式是基于某些限制通常的理论假设,并不复杂,足以因此,今天的复杂的模型,设计的材料。虽然存在更复杂的模型(晶体塑性:如多尺度或模型),他们是速度太慢,需要数小时或对超级计算机的计算时间来解决范围广泛的工程问题天。

发展到模型可塑性更系统的方式,CaO和她的团队使用深度学习方法来创建一个神经网络,一套算法,可以提取数据隐藏的关系。新开发的神经网络结构学习在不同的力模式中的任何材料的行为和理解基础上对设备的性能和动力及其历史材料的可塑性。

“这纯粹是数据驱动的,”曹说,谁是过去的导演 制造科学与创新西北举措。 “网络可以捕捉材料的发展,而不对材料性质,这使得ESTA广泛适用的方法制作的假设。”

网络允许工程师设计的材料和制造工艺的同时真正使一个综合系统的优化方法。曹和她的团队希望继续测试不同的材料将其与系统,并将其纳入设计材料。

“这真的达到预测的材料结构发生复杂加载路径更高的精度和速度,”她说。 “这可能铺平道路,为物理学的通知,数据驱动的在物理和工程在许多应用中建模的方式。”

主要作者是机械工程博士生西北mojtaba Mozaffar。在纸张其他作者包括西北校友米格尔·贝萨(共同通讯作者),在代尔夫特理工大学助理教授;威尼斯人官网校友bostanabad白木,在加利福尼亚大学欧文分校的助理教授; 魏晨威尔逊在做饭的工程设计和机械工程在威尼斯人官网教授;和 科内尔埃曼在威尼斯人官网机械工程教授。