Neues KI-Tool berechnet Spannung und Dehnung von Materialien anhand von Fotos

Neues KI-Tool berechnet Spannung und Dehnung von Materialien anhand von Fotos

New York, 27.4.2021

MIT-Forscher haben eine Technik entwickelt, mit der bestimmte Materialeigenschaften wie Spannung und Dehnung schnell bestimmt werden können, und zwar anhand eines Bildes des Materials, das seine innere Struktur zeigt. Dieser Ansatz könnte eines Tages mühsame physikalische Berechnungen überflüssig machen und stattdessen auf Computer Vision und maschinelles Lernen setzen, um Schätzungen in Echtzeit zu generieren.

Die Forscher sagen, dass dieser Fortschritt ein schnelleres Design-Prototyping und eine schnellere Materialinspektion ermöglichen könnte. „Es ist ein völlig neuer Ansatz“, betont Zhenze Yang und fügt hinzu, dass der Algorithmus „den gesamten Prozess ohne jegliches physikalisches Fachwissen durchführt.“

Die Forschungsarbeit erschien in der Zeitschrift „Science Advances“. Yang ist die Hauptautorin der Arbeit und Doktorandin am Department of Materials Science and Engineering. Zu den Co-Autoren gehören die ehemalige MIT-Postdoktorandin Chi-Hua Yu und Markus Buehler, der McAfee Professor of Engineering und Direktor des Laboratory for Atomistic and Molecular Mechanics.

https://advances.sciencemag.org/content/7/15/eabd7416

Der Hintergrund: Ingenieure verbringen viel Zeit mit dem Lösen von Gleichungen. Sie helfen dabei, die inneren Kräfte eines Materials, wie Spannung und Dehnung, zu ermitteln, die dazu führen können, dass sich das Material verformt oder bricht. Solche Berechnungen können Hinweise darauf geben, wie eine geplante Brücke unter starker Verkehrsbelastung oder bei starkem Wind standhalten würde. Ingenieure benötigen keinen Stift und kein Papier für diese Aufgabe. „Viele Generationen von Mathematikern und Ingenieuren haben diese Gleichungen aufgeschrieben und dann herausgefunden, wie man sie am Computer lösen kann“, sagt Bühler. „Aber es ist immer noch ein schwieriges Problem. Es ist sehr teuer – es kann Tage, Wochen oder sogar Monate dauern, um einige Simulationen durchzuführen. Also dachten wir: Lasst uns einer KI beibringen, dieses Problem für uns zu lösen.“

Die Forscher wendeten sich einer maschinellen Lerntechnik zu, die als Generatives Adversariales Neuronales Netzwerk bezeichnet wird. Sie trainierten das Netzwerk mit Tausenden von gepaarten Bildern – eines zeigt die innere Mikrostruktur eines Materials, das mechanischen Kräften ausgesetzt ist, und das andere zeigt die farbcodierten Spannungs- und Dehnungswerte desselben Materials. Mit diesen Beispielen nutzt das Netzwerk Prinzipien der Spieltheorie, um iterativ die Beziehungen zwischen der Geometrie eines Materials und den daraus resultierenden Spannungen herauszufinden.

„Der Computer ist also in der Lage, aus einem Bild all diese Kräfte vorherzusagen: die Verformungen, die Spannungen und so weiter“, sagt Bühler. „Das ist wirklich der Durchbruch – auf herkömmliche Weise müsste man die Gleichungen kodieren und den Computer bitten, partielle Differentialgleichungen zu lösen. Wir gehen einfach von Bild zu Bild.“

Dieser bildbasierte Ansatz ist besonders vorteilhaft für komplexe, zusammengesetzte Materialien. Die Kräfte, die auf ein Material wirken, können auf der atomaren Skala anders wirken als auf der makroskopischen Skala. Aber das Netzwerk des Forschers ist geschickt im Umgang mit mehreren Skalen. Es verarbeitet Informationen durch eine Reihe von „Faltungen“, die die Bilder in immer größeren Maßstäben analysieren. „Deshalb eignen sich diese neuronalen Netze hervorragend für die Beschreibung von Materialeigenschaften“, sagt Bühler.

Das vollständig trainierte Netzwerk schnitt in Tests gut ab, indem es erfolgreich Spannungs- und Dehnungswerte anhand einer Reihe von Nahaufnahmen der Mikrostruktur verschiedener weicher Verbundwerkstoffe wiedergab. Das Netzwerk war sogar in der Lage, „Singularitäten“ zu erfassen, wie etwa Risse, die sich in einem Material entwickeln. In diesen Fällen ändern sich Kräfte und Felder schnell über winzige Distanzen. „Als Materialwissenschaftler würde man wissen wollen, ob das Modell diese Singularitäten nachbilden kann“, sagt Bühler. „Und die Antwort ist ja.“

Der Fortschritt könnte „die Iterationen, die für das Design von Produkten erforderlich sind, erheblich reduzieren“, so Suvranu De, ein Maschinenbauingenieur am Rensselaer Polytechnic Institute, der nicht an der Forschung beteiligt war. „Der in dieser Arbeit vorgeschlagene End-to-End-Ansatz wird einen bedeutenden Einfluss auf eine Vielzahl von technischen Anwendungen haben – von Verbundwerkstoffen, die in der Automobil- und Flugzeugindustrie verwendet werden, bis hin zu natürlichen und künstlichen Biomaterialien. Er wird auch bedeutende Anwendungen im Bereich der reinen wissenschaftlichen Forschung haben, da die Kraft eine entscheidende Rolle in einer überraschend breiten Palette von Anwendungen spielt, von der Mikro-/Nanoelektronik bis zur Migration und Differenzierung von Zellen.“

Die neue Technik spart Ingenieuren nicht nur Zeit und Geld, sondern könnte auch Nicht-Experten den Zugang zu modernsten Materialberechnungen ermöglichen. Architekten oder Produktdesigner könnten zum Beispiel die Realisierbarkeit ihrer Ideen testen, bevor sie das Projekt an ein Ingenieurteam weitergeben. „Sie können einfach ihren Vorschlag zeichnen und es herausfinden“, sagt Bühler. „Das ist eine große Sache.“

Einmal trainiert, läuft das Netzwerk fast augenblicklich auf Computerprozessoren der Verbraucherklasse. Das könnte es Mechanikern und Inspektoren ermöglichen, potenzielle Probleme mit Maschinen zu diagnostizieren, indem sie einfach ein Bild machen.

In der neuen Arbeit arbeiteten die Forscher hauptsächlich mit Verbundwerkstoffen, die sowohl weiche als auch spröde Komponenten in einer Vielzahl von zufälligen geometrischen Anordnungen enthielten. Für zukünftige Arbeiten plant das Team, eine breitere Palette von Materialtypen zu verwenden. „Ich glaube wirklich, dass diese Methode einen großen Einfluss haben wird“, sagt Bühler. „Ingenieure mit KI zu befähigen, ist wirklich das, was wir hier zu tun versuchen.“

Die Finanzierung dieser Forschung wurde zum Teil vom Army Research Office und dem Office of Naval Research bereitgestellt.