העיצוב והאופטימיזציה של מיקרו-מבנה החומרי המורכב, הסתמך באופן מסורתי על כללים אמפיריים, סימולציות המבוססות על פיזיקה, וקמפיינים ניסיוניים נרחבים.עם זאת, הפיצוץ של שיטות המונעות על ידי נתונים עבר באופן יסודי את הפרדיגמה (ML) מאפשר כעת לחוקרים לחצות יישומים עיצוביים גבוהים, לחשוף קישורים נסתרים למבנה-מערכת, ולהאיץ את הגילוי של תצורה מיקרו-אורתית, אשר משלבת באופן חסר תקדים של אסטרטגיות מורכבות בתחום העיצוב, עיצוב, ומהירות, עיצובית, היא יעילה של תהליכים מתקדמים, עיצובית, ואפקטים של שיטות עיבוד של שיטות עיבוד נתונים, ואפקטים של שיטות עיבוד נתונים, ואפקטים של תהליכים של שיטות עיבוד נתונים, ואפקטים של שיטות עיבוד רכב, ואפקטים, ואפקטים, ואפקטים של שיטות עיבוד נתונים, עיצוביתים של שיטות עיבוד נתונים, ואפקטים של שיטות עיבוד רכב.

יסודות של מיקרו-מבנה חומרים Composite

חומרים Composite להשיג תכונות גבוהות יותר על ידי שילוב של שני שלבים שונים יותר - באופן רטי שלב reforcing מוטבעת רציפה של מטריקס רציף, הסדר המרחבי, מורפולוגיה, חלקיק נפח, ומאפיינים ממשק של אלה הבוחרים להגדיר את המיקרו-מבנה.לדוגמה, במגרעות פחמן-מרסום-מרסן-מרסיביות (CRP), האוריינטציה והאורך של תכתיבים הנוקשות לאורך כל הזמן של חלקיקים ספציפיים (MC) בסדקים (Rics) בתכונות מתכתיים מורכבים (Ricrempcrempcrecrecrempremprecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecrecs) בתכונות מורכבות) ו-Ric) של קרמיקה (CRics) של קרמיקה (CRics) הוא מדדים) על מנת לשנות קרמיקה (CRics) על ידי קרמיקה (CRics) ו-rec

טכניקות אפיון כגון סריקת מיקרוסקופיה אלקטרונים (SEM), X-ray קידוד (XCT), ואלקטרונית backscatter diffraction (EBSD) לייצר תמונות ברזולוציה גבוהה שלוכדות את העושר של פרטים מיקרו-תרבותיים. אך תרגום התמונות האלה לתוך חוקי עיצוב פעולה היה צוואר בקבוק.

פיתוח מכונות עבור Micro Structure Optimization

החלת ML לאופטימיזציה מיקרו-מבנה מורכב עוקב אחר צינור מובנה: רכישת נתונים, הפקת תכונה או למידה ייצוגית, הכשרת מודלים ואופטימיזציה.כל צעד מציג אפשרויות ספציפיות המשפיעות על התוצאה הסופית.

רכישת נתונים וגירושין

שני מקורות עיקריים להאכיל מודלים ML: הדמיה ניסיונית וסימולציות חישוביות. נתונים ניסיוניים מציעים נאמנות פיזית אמיתית אבל יקרים לאסוף. 1 רזולוציה גבוהה של נפח 5 מ"מ3 עשוי לדרוש שעות של זמן beamline. גישות Computational - כגון סימולציות סופיות (FE), שלב-שדה מודלים, או גבישי פלסטיק - יכול לייצר אלפי מבנים וירטואליים של תכונות למידה, אך לא ניתן לשלב את כל אלה של טכניקות יבוליות ואפקטיביות, כולל בדיקות הרגעיות אקראיות, כולל בדיקות נתונים.

ייצוג: מ- פיקסלים ועד ל-Descriptors

(הגישות של ML מוקדם נדרשת הנדסה ידנית: סיבים אוריינטציה היסטמוגרפיה, מרחקים מודולים קרובים ביותר, ו- 2 נקודות פונקציות מתאם. בעודם מפרשים, תכונות אלה בעלות יד לעתים קרובות מפספסות אינטראקציות מסדר גבוה יותר.שיטות למידה עמוקות מודרניות מצטברות של 3% ישירות מתמונות או רשתות Voxel לוכדות (DLC) מטבוליזם של תבניות עצביות סינתטיות (D) עבור תבניות מיקרו-מיקרו-סגולות (N) ו-מתאים ל-מתאים ל-מתאים פחות) גרפים (N) גרפים (DF) גנובים (למשל, לדוגמה, לדוגמה, לדוגמה, גרפים עצביים (DF) גנובים (GIRD) גנובים (D) גנובים (D) גנובים (DF) גרפים עצביים (D) חיישנים).

ביקורת על: Unsupervised and Reinforcement Learning Paradigms

בעיית האופטימיזציה ניתן לגשת באמצעות מספר עדשות ML:

  • (FLT:0) למידה מבוססת על למידה (FLT:1) - בהתחשב בדגמי מיקרו-הורי ונכסים מקבילים (למשל, קשיחות, התנהגות תרמית), מודל לומד את המיפוי.זה מאפשר תחזית מהירה לתצורה חדשה.הבחירות נפוצות כוללות יערות אקראיים, תמיכה מכונות ורשתות עצביות.
  • (FLT:0) Unvised LearningFLT:1 - אלגוריתמים קלוסטרינג (k-means, DBSCAN) או autoencoders יכולים לזהות קבוצות טבעיות בנתונים מיקרו-תרבותיים, לחשוף שיעורים של עיצובים לחלוק תכונות מורפולוגיות.זה שימושי עבור חקר החלל העיצוב ללא תוויות מוגדרות מראש.
  • (FLT:0) Reinforcement Learning (RL)FIRLT:1 ), סוכן RL אינטראקציה עם סביבת סימולציה, מקבל החלטות ⁇ על שינויים מיקרו-תרבותיים מקומיים (למשל, הוספת סיבים, התאמת porosity) כדי למקסם את הפונקציה הקשורה לתכונות מטרה. RL עדיין מתפתח בתחום זה, אך הוכיח הבטחה עבור עיצוב מחדש של חומרים ארכיטקטוניים.

אסטרטגיות אופטימיזציה: Beyond One-Shot Prediction

חיזוי נכסים ממיקרו-מבנה נתון הוא רק חצי הבעיה.המטרה של אופטימיזציה היא ל-FLT:0invertigtureFLT:1 שמיפוי: למצוא הסדרים מיקרו-תרבותיים המממשים את מערך הנכס הרצוי.

אופטימיזציה Bayesian

אופטימיזציה Bayesian (BO) מתייחסת למערכת היחסים של הנכס-מיקרו-מיקרו כתהליך גאוסי (GP) היא מאזן את חקר (אזורים דגימה עם אי ודאות גבוהה) וניצול (אזורים דגימה חזו כבעלים טובים) כל אחד מהם עדכן את מודל GP פונדקאית, אשר לאחר מכן מדריך את המועמד הבא, הוא כבר מוחל בהצלחה כדי לייעל נפח סיבים וכיוון קצר-fibers כדי למקסם את השבר בעודודות קשה.

מודלים ליצירתיים: Autoencoders ו gans

מודלים יצרניים לומדים את ההפצה ההסתברותית של מיקרו מבנים ממערך אימונים ויכולים לדגום תצורה חדשה, ריאלית. autoencoders (VAEs) מפה מיקרו-מבנה למרחב מאוחר ממדים שבו אופטימיזציה ניתן לבצע באמצעות שיטות מבוססות ⁇ -מבוססות על מערכות אדמירליות (גנים) לייצר תמונות נאמנות גבוהה, אך דורש הכשרה זהירה כדי למנוע התמוטטות של מצב היברידית - לדוגמה מבוססת משאבים של שטח פתוח - עבור אופטימיזציה יעילה של שטח פנויה:

אופטימיזציה של Topology עם ML Surrogates

אופטימיזציה טופולוגית קלאסית פותרת את ההפצה האופטימלית של החומר בתוך תחום עיצוב, לעתים קרובות באמצעות ניתוח אלמנט סופי של רכיב סופי.שילוב ML פונדקאית מאיץ באופן דרמטי את התהליך הזה על ידי החלפת FE יקר פותר עם תחזיות רשת עצביות מהירות.הפונדקאית ניתן לאמן על סט של תוצאות FE ולאחר מכן בשימוש בתוך אופטימיזציה מבוסס ⁇ .

יישומים אמיתיים ומקריות

הדוגמאות הבאות ממחישות כיצד אופטימיזציה מיקרו-מבנה המונעת על ידי ML נעה מהוכחה אקדמית לתפיסה לקראת פריסה תעשייתית.

המונחים: Light Weight CFRP

בעור מטוסים ופאנלים מתפתלים, רצף הערימה של שכבות פחמן-פיבר קובע התנגדות מתפתלת והשפעה סובלנות.בואינג ו- Airbus שיתפו פעולה עם קבוצות מחקר כדי ליישם את הלמידה חיזוק עיצוב להשחית. סוכן ה-RL מאומנים לבחור אוריינטציה פיית הממקסימה כוח ספציפי תוך שמירה על כללי ייצור (למשל, סימטריה, לא יותר מארבעה סטיות רצופות בזווית זהה) יש ירידה של 15%.

כלי רכב: Crashworthness of fiber-Reinforced Bumpers

עבור רכיבים מבניים של הרכב, ספיגת אנרגיה במהלך אירועי ההתרסקות היא מכריעה. קבוצה ב-MIT השתמשה ברשת עצבית עמוקה כדי לחזות את תגובת ה-Rash של צינורות מורכבים זו מזוהים עם ארכיטקטורות שונות של Weave.הם ביצעו אופטימיזציה רב-אובייקטיבית בו זמנית למקסם את ספיגת האנרגיה הספציפית ולצמצם את כוח ההשפעה של שיא.העיצוב ה- Weave מותאם אישית, אשר , אושש באמצעות בדיקות פיזיות, על ידי 22% על פני ה- tconave סטנדרטי.

אנרגיה: ניהול תרמי ב Ceramic Matrix Composites

CMCs המשמשים בגרי טורבינות גז חייב להציג הן מוליכות תרמית עבור פירוק חום ופגיעה סובלנות להתנגד הלם תרמי. אופטימיזציה Bayesian היה מיושם כדי להתאים את השבר ואת יחס היבט של סיבי סיליקון בתוך מאטריקס סיליקון carbide. לאחר 80 בדיקות מבוסס סימולציה (שבריר של אלפי הנדרש על ידי חיפוש כוח רע), אופטימיזציה מזוההההה עם microbide microbide ב 30% סימולציה ללא תפקוד קשה.

היתרונות העיקריים של הגישה ML-Driven

היתרון המיידי ביותר הוא צמצום זמן.משפט מסורתי וטרור יכול לדרוש מאות דגימות פיזיות וחודשים של בדיקות; מודלים של ML יכולים להעריך מיליוני מועמדים וירטואליים בשעות.עלויות חיסכון לעקוב ישירות, שכן פחות ניסויים יקרים נדרשים. יתר על כן, אלגוריתמים של ML מגלים לעתים קרובות תכונות מיקרו-מבנה לא אינטואיטיביות - כגון דפוס מקבץ ספציפי של סיבים קצרים - כי אינטואיציה אנושית תחמיץ את הדלת הזו כדי לפתוח את הקורסים החדשים לחלוטין של עיצובים שלא נחקרו בעבר.

יתרון נוסף הוא היכולת לשלב אי ודאות קוונטית מודלים תהליכים גאוסיים, למשל, לספק לא רק ערך נכס צפוי אלא גם מרווח אמון.זה קריטי עבור יישומים קריטיים בטיחותיים שבו מהנדסים חייבים לדעת את הביצועים הגרועים ביותר.בנוסף, העברת למידה מאפשרת מודל מאומן על מערכת מורכבת אחת (למשל, epoxy-carbon) להיות מותאם למערכת קשורה (למשל, epoxy-carbon) עם התפתחות מינימלית נוספת.

אתגרים והגבלות נוכחיות

למרות התקדמות מהירה, מכשולים משמעותיים נמשכים.

מחסור בנתונים ואיכות

איכות גבוהה, נתונים מיקרו-מבנה מתויגים נשארים בקושי.תמונות ניסיוניות מוגבלות לעתים קרובות במספר, ו annotations דורשים עבודה מומחה.נתוני Computational, בעוד בשפע, עשוי להיות מוטה על ידי הנחות מודל.אימון מודל למידה מדויקת מודל דורש בדרך כלל אלפי דוגמאות, אבל מחקרים שפורסמו רבים מסתמכים על נתונים של רק כמה מאות.מודלים ליצירתיים יכול לעזור, אבל יצירת הסתברות פיזית של ייצור מיקרו-תחומי עניין של ייצור הוא מיקרו-תחומי מחקר מתמשך.

מודל Interpretability

מהנדסים ורשויות הסמכה דורשים הסברה.רשת עצבית שחור-שרשרת המנבאת "מיקרו-מבנה A מניב כוח B" מציעה תובנה מועטה על הפיזיקה הבסיסית.טכניקות כגון מפות תשומת לב, ערכי שפל, והפעלה של וקטורת מושגים מותאמת ליישומים מיקרו-מבנה, אך הן עדיין קשות לפרוס בפועל.ללא פירוש, קשה לבנות אמון או לקבל אישור רגולטורי לחומרים חדשים, במיוחד בחלל והשתלות רפואי.

אינטגרציה רב-ממדית ורב-פיזיקה

חומרים Composite להפגין התנהגות לאורך קשקשים: אינטראקציות אטומיות בממשק, אריזה סיבים בקנה מידה מיקרומטר, ואפקטים חד-ממדיים בקנה מידה גדול של ML פועלות בקנה מידה אחד. מודלים קופללינג על פני המאזניים - למשל, המקשר תחזיות ברמה אטומית של כוח בין-גזעי לנזק ברמה גבוהה - סימולציות מקונן שניתן להפוך לשיטות חישוביות.

ייצור Constraints

מיקרו-מבנה מותאם הוא חסר תועלת אם זה לא יכול להיות מייצור. אדרטיבי ייצור, כוונון אוטומטי, והזרקה עובש את כל המגבלות על גיאומטריה, הצטברות, ובחירת החומרית. integrating אלה לתוך לולאה אופטימיזציה של ML - לדוגמה, על ידי הטלת סיבים בלתי סבירים או הטיוטה שלילית זוויות - היא חיונית אך לא רצויה לאחרונה חקרו אופטימיזציה של Bayys ותפקוד ייצור שונה.

פרספקטיבה עתידית ודרכים מתפתחות

במבט קדימה, כמה מגמות יעצבו את הדור הבא של אופטימיזציה מיקרו-מבנה מורכב של ML.

ניהול עצמי

למערכות סגורות המשלבות סינתזה אוטומטית, הדמיה גבוהה באמצעות חישוב, וקבלת החלטות ML יכולה להאיץ את מחזור הגילוי.מעבדה אוטונומית אוטונומית יכולה לייצר פאנל מורכב, לצלם את המיקרו-מבנה שלה עם Inline XCT, להאכיל את הנתונים לאלגוריתם אופטימיזציה, ולתאים באופן אוטונומי פרמטרים לעיבוד עבור הדגימה הבאה.

רשתות ערפיליות מתקדמות (PINNs)

PINN משלב משוואות פיזיות שולטות (למשל, גמישות, התנהגות חום) לתוך תפקוד אובדן, צמצום ההסתמכות על נתונים מתוייגים. עבור אופטימיזציה מיקרו-מבנה, PINN יכול לחזות שדות מתח תחת טעינה שרירותית מבלי לדרוש אלמנט סופי נפרד mesh. גישה זו הוכחה להתכנסות מהירה יותר מאשר מודלים מונעים נתונים בלבד ולהכלל טוב יותר לגיאומטריה.

תאומים דיגיטליים ל Composites

תאום דיגיטלי - העתק וירטואלי של מרכיב מורכב פיזי המעדכן בזמן אמת באמצעות נתוני חיישן - יכול למנף מודלים ML כדי לחזות אבולוציה מיקרו-מבנה במהלך חיי השירות.לדוגמה, להב טורבינות רוח יכול לפקח על סיבים - מטריקס מוקרן באמצעות פליטה אקוסטית להאכיל את הנתונים לתוך מודל מיקרו-מודע prognostic prognostic.מודל אז ממליץ לשפוך או תחזוקה לפני שכשל קטסטרופלי מתרחש.

Unquity-Aware Active Learning

במקום להסתמך על נתונים סטטיים, אלגוריתמי למידה פעילים מעוררים השראה בניסויים המודיעיניים ביותר - אלה שיפחיתו את אי הוודאות המודלית ביותר. גישה זו היא בעלת ערך במיוחד כאשר הניסויים יקרים.על ידי התמקדות באזורים של חלל העיצוב שבו המודל הוא הכי לא בטוח, למידה פעילה יכולה להשיג דיוק גבוה עם הרבה פחות נקודות נתונים מאשר דגימה אקראית.

מסקנה

למידת מכונה התפתחה מכלי שוליים למנוע מרכזי של ⁇ מיקרו-מבנה חומרים מורכב.על ידי דחיסות גבוהה ונתוני סימולציה, מודלים ML יכולים לחזות נכסים, לחקור חללים עיצוב עצומים, ואפילו ליצור ארכיטקטורות מיקרו-תרבותיים חדשים לחלוטין.היתרונות - מהירות, ירידה וגילוי של עיצובים מנוגדים עתידיים - כבר מובעים בחלל, רכב, אנרגיה, ובכל זאת, עם זאת, חומרים דיגיטליים, כמו גם חומרים הקשורים לשילוב, כמו גם חומרים סביבתיים, אך לא מטושטשים, כמו גם חומרים המבוססים על ידי פיתוח, אך חומרים דיגיטליים, אך חומרים מתקדמים, כמו גם חומרים המבוססים על ידי פיתוח, עם זאת, כמו גם חומרים המבוססים על ידי פיתוח, כמו גם חומרים דיגיטליים, כמו גם חומרים המבוססים על ידי מערכות ניהוליים, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, חומרים מתמטיים, חומרים סביבתיים, ללא הגבלת זמן רב-ידי תהליכים מתקדמים, עם זאת, עם איכות חיים, כמו גם חומרים דיגיטליים, כמו גם חומרים מתקדמים, עם זאת, עם זאת, כמו גם חומרים מתקדמים, ללא הגבלת זמן רב-ידי תכנון, כמו גם חומרים מתקדמים, כמו גם חומרים מתקדמים, כמו גם חומרים מתקדמים, ללא הגבלת זמן רב-ידי עיבוד נתונים