При финансовой поддержке Национального научного фонда (NSF) исследователи из Техасского университета A&M используют передовые вычислительные методы и методы машинного обучения для создания структуры, способной оптимизировать процесс разработки материалов, сократить время и затраты.
«Наше основное внимание уделяется проектированию материалов с учетом взаимосвязей между процессом, структурой и свойствами для производства материалов с заданными свойствами», – сказал д-р. Дуглас Аллер, доцент кафедры J. Майк Уокер ’66 Департамент машиностроения. «В нашей работе мы демонстрируем чувствительный к микроструктуре дизайн сплавов с байесовской системой оптимизации, способной использовать несколько источников информации."
Структуры, основанные на байесовской оптимизации, используют предварительные знания в качестве моделей для прогнозирования результатов. В прошлом исследователи использовали эту структуру в корреляции с одним источником информации (моделирование или эксперимент). Если этот метод не сработал, процесс начинается снова с надеждой на внесение правильных корректировок на основе этой модели.
Исследователи отвергли это понятие и вместо этого полагают, что многие источники информации могут быть извлечены с помощью байесовской структуры для получения более полной картины основных процессов. Они объединили несколько источников информации для более эффективного создания материалов с заданными свойствами, рассматривая данные в целом, а не по частям.
«Мы думаем, что это очень отличается от того, что у вас может быть много разных потенциальных моделей или источников информации», – сказал доктор. Раймундо Арройаве, профессор кафедры материаловедения и инженерии. "Есть много способов понять / смоделировать поведение материалов с помощью экспериментов или моделирования. Наша идея состоит в том, чтобы объединить все эти разные модели в единую, «слитную» модель, которая сочетает в себе сильные стороны всех других моделей при одновременном уменьшении их индивидуальных слабостей."
Их исследование под названием «Эффективное использование взаимосвязей между процессом, структурой и свойствами в материальном дизайне с помощью объединения нескольких источников информации» было недавно опубликовано в Vol. 26 журнала Acta Materialia.
«Эти модельные цепочки исторически не учитывали весь спектр доступных источников информации», – сказал Аллер. "Они рассматривают отдельные модели по цепочке от процесса, структуры и собственности. В результате они не так эффективны и точны, как могли бы."
В настоящее время исследователи тестируют эту структуру, разрабатывая двухфазную сталь, обычно используемую для автомобильных рам. Двухфазная сталь состоит из двух фаз с очень разными и взаимодополняющими свойствами.
«Есть две фазы; мартенситная фаза делает эту конкретную сталь очень прочной», – сказал Аррояв. «Ферритная фаза более мягкая, что делает сталь более податливой и податливой деформации. Обладая только мартенситной микроструктурой, эти материалы прочные, но легко ломаются.
Однако, если вы объедините прочность мартенсита с пластичностью феррита, вы сможете изготавливать стали, которые будут очень прочными, могут поглощать энергию при ударе и из которых можно придать сложную форму, например, автомобильные рамы."
Используя метод, разработанный в данной работе, цель – разработать фреймворк, который более точно и эффективно прогнозирует необходимый состав и обработку (рецепт) для конкретного дизайна.
В свою очередь, это уменьшает количество необходимых симуляций и экспериментов, резко сокращая затраты.
«Знания, которые мы получаем о процессе проектирования материалов в целом с использованием нашей структуры, намного больше, чем сумма всей информации, извлеченной из отдельных моделей или экспериментальных методов», – сказал доктор.
Анкит Шривастава, доцент кафедры материаловедения и инженерии. «Эта структура позволяет исследователям эффективно учиться на ходу, поскольку она не только собирает и объединяет информацию из нескольких моделей / экспериментов, но также сообщает им, какой источник информации я.е., конкретная модель или эксперимент дает им лучшее соотношение цены и качества, что действительно улучшает процесс принятия решений."
Они надеются, что в будущем их структура будет широко использоваться при решении задач, связанных с интегрированным проектированием вычислительных материалов.
«Мы надеемся, что, представив эти возможности байесовской оптимизации, основанные на синтезе моделей, мы сделаем процесс поиска новых материалов более эффективным и точным», – сказал Аллер. «Мы хотим, чтобы любой исследователь использовал доступные им модели, не беспокоясь о том, как интегрировать модели в свою собственную цепочку моделирования, потому что наша байесовская оптимизационная структура выполняет эту интеграцию за них."