مواد و ساخت پیشرفته

محققان دانشگاه ملی پوسان از هوش مصنوعی برای کشف اسرار ناهمسانگردی آلیاژ منیزیم استفاده کردند. آلیاژهای منیزیم به دلیل نسبت استحکام به وزن زیاد، چگالی کم و زیست سازگاری کاربردهای وسیعی دارند اما آنها اغلب رفتار تغییر شکل ناهمسانگرد از خود نشان می‌دهند که می‌تواند بر دوام آنها تأثیر بگذارد. اکنون محققان یک مدل مبتنی بر یادگیری ماشینی برای پیش‌بینی دقیق چنین رفتارهای تغییر شکلی با قابلیت اطمینان عالی ایجاد کرده‌اند. نتایج این مطالعه می‌تواند در طراحی محصولات آلیاژی منیزیم با ناهمسانگردی پلاستیکی پیچیده کمک کند.

آلیاژهای منیزیم به دلیل نسبت استحکام به وزن بالا به طور گسترده برای طراحی قطعات هوافضا و خودرو استفاده می‌شوند. زیست سازگاری و چگالی کم آنها نیز این آلیاژها را برای استفاده در تجهیزات الکترونیکی و زیست پزشکی ایده‌آل می‌کند. با این حال آلیاژهای منیزیم دارای رفتار ناهمسانگرد پلاستیکی هستند. به عبارت دیگر خواص مکانیکی آنها بسته به جهت بار اعمال شده متفاوت است. برای اطمینان از اینکه عملکرد این آلیاژهای منیزیم تحت تأثیر این رفتار ناهمسانگرد قرار نمی‌گیرد، درک بهتر تغییر شکل‌های ناهمسانگرد و توسعه مدل‌هایی برای آنالیز آنها مورد نیاز است.

با توجه به اخبار منتشر شده از آزمایشگاه طراحی و ساخت فلز به سرپرستی پرفسور تک‌یونگ لی از دانشگاه ملی پوسان جمهوری کره، یادگیری ماشینی ممکن است پاسخ‌هایی برای این مشکل پیش‌بینی داشته باشد. در پیشرفت اخیر خود، این تیم رویکرد جدیدی به نام واحد بازگشتی دروازه‌ای با کمک شبکه‌های متخاصم مولد (GAN) پیشنهاد کرد. این مدل دارای توانایی‌های تجزیه و تحلیل داده‌های قدرتمندی برای پیش‌بینی دقیق خواص ناهمسانگرد پلاستیکی آلیاژهای منیزیم فرفورژه است. کار آنها به صورت آنلاین در مجله منیزیم و آلیاژها در شانزدهم ژانویه 2024 میلادی در دسترس قرار گرفت.

از نظر دقت پیش‌بینی‌های یادگیری ماشینی از دیدگاه علم داده، ما متوجه شدیم که جای پیشرفت وجود دارد. بنابراین برخلاف روش‌های پیش‌بینی گزارش‌شده قبلی ما یک مدل یادگیری ماشینی با تقویت داده‌ها برای دستیابی به دقت و همچنین قابلیت تعمیم با توجه به حالت‌های بارگذاری مختلف ایجاد کردیم. پروفسور لی در تشریح ایده اصلی مدل جدید خود می‌گوید این امر در نهایت راه‌های ادغام همراه با تجزیه و تحلیل اجزای محدود را برای استخراج تخمین تنش دقیق محصولات ساخته شده از آلیاژهای فلزی با ناهمسانگردی پلاستیکی قابل توجه باز کرد.

برای ساخت مدلی با دقت بالا، تیم کل منحنی‌های جریان، GAN، تنظیم فراپارامتر مبتنی بر الگوریتم و معماری GRU را که برخی از راهبردهای کلیدی مورد استفاده در علم داده هستند، ترکیب کردند. این رویکرد جدید، یادگیری کل داده‌های منحنی جریان را تسهیل می‌کند، نه اینکه مانند بسیاری از مدل‌های قبلی به آموزش خواص مکانیکی خلاصه‌شده محدود شود. برای آزمایش قابلیت اطمینان مدل GRU به کمک GAN، تیم به طور گسترده آن را تحت سناریوهای پیش‌بینی‌کننده، از برون‌یابی، درون یابی و استحکام، با مجموعه داده‌هایی با اندازه محدود، ارزیابی کرد. وقتی برای آزمایش قرار گرفت، مدل رفتار ناهمسانگرد آلیاژهای ZK60 Mg را برای سه جهت بارگذاری و تحت یازده شرایط بازپخت تخمین زد.

با این آزمایش‌ها، تیم دریافتند که مدل آنها به طور قابل‌توجهی استحکام و قابلیت تعمیم بهتری نسبت به سایر مدل‌های طراحی‌شده برای انجام کارهای مشابه نشان می‌دهد. این عملکرد برتر عمدتاً به تقویت داده با کمک GAN نسبت داده می‌شود و با توانایی برون‌یابی عالی معماری GRU و بهینه سازی فراپارامترها - پارامترهایی که مقادیر آنها برای کنترل فرآیند یادگیری استفاده می شود - پشتیبانی می‌شود. بنابراین، این مطالعه مدل‌سازی پیش‌بینی را فراتر از شبکه‌های عصبی مصنوعی انجام می‌دهد.

این با موفقیت توانایی مدل‌های مبتنی بر یادگیری ماشینی را برای تخمین رفتارهای تغییر شکل ناهمسانگرد آلیاژهای منیزیم فرفورژه نشان می‌دهد. عملکرد کلی و طول عمر اجزای ساخته شده از آلیاژ منیزیم تا حد زیادی به رفتار ناهمسانگرد پلاستیکی بستگی دارد که پیش‌بینی و مدیریت تغییر شکل‌ها را به بخشی حیاتی از طراحی مواد تبدیل می‌کند. ما معتقدیم که این مدل به طراحی و ساخت محصولات فلزی برای کاربردهای مختلف کمک خواهد کرد. امیدواریم این مطالعه پیشگامانه راه را برای نوآوری‌های بیشتر در زمینه‌های هوش مصنوعی و یادگیری ماشینی و همچنین علم مواد محاسباتی هموار کند.

منبع