Peut-être que vous ne pouvez pas distinguer un livre de sa couverture, mais selon des chercheurs du MIT, vous pouvez maintenant faire l’équivalent pour des matériaux de toutes sortes, d’une pièce d’avion à un implant médical. Leur nouvelle approche permet aux ingénieurs de comprendre ce qui se passe à l’intérieur simplement en observant les propriétés de la surface area du matériau.
L’équipe a utilisé un type d’apprentissage automatique connu sous le nom d’apprentissage en profondeur pour comparer un grand ensemble de données simulées sur les champs de force externes des matériaux et la framework interne correspondante, et l’a utilisé pour générer un système qui pourrait faire des prédictions fiables de l’intérieur à partir de la area. données.
Les résultats sont publiés dans la revue Sophisticated Products, dans un post du doctorant Zhenze Yang et du professeur de génie civil et environnemental Markus Buehler.
ou peut-être simplement en mesurant les choses sur la surface du matériau, puis essayer de comprendre ce qui se passe réellement à l’intérieur ? » Ces informations privilégiées peuvent inclure des dommages, des fissures ou des contraintes dans le matériau, ou des détails de sa microstructure interne.
Le même style de issues peut également s’appliquer aux tissus biologiques, ajoute-t-il. “Y a-t-il une maladie là-dedans, ou une sorte de croissance ou de changements dans les tissus?” L’objectif était de développer un système capable de répondre à ce genre de concerns de manière totalement non invasive.
Atteindre cet objectif impliquait de résoudre des problèmes complexes, notamment le fait que “de nombreux problèmes de ce kind ont des alternatives multiples”, déclare Buehler. Par exemple, de nombreuses configurations internes différentes peuvent présenter les mêmes propriétés de floor. Pour faire face à cette ambiguïté, “nous avons créé des méthodes qui peuvent nous donner toutes les possibilités, toutes les options, fondamentalement, qui pourraient aboutir à ce [surface] scénario.”
La method fonctionne même pour des matériaux dont la complexité n’est pas entièrement comprise, dit-il. “Avec un tissu biologique complexe, nous ne comprenons pas exactement comment il se comporte, mais nous pouvons mesurer le comportement. Nous n’avons pas de théorie pour cela, mais si nous avons suffisamment de données collectées, nous pouvons previous le modèle.”
Yang dit que la méthode qu’ils ont développée est largement applicable. “Ce n’est pas seulement limité aux problèmes de mécanique des solides, mais cela peut également être appliqué à différentes disciplines d’ingénierie, comme la dynamique des fluides et d’autres kinds.” Buehler ajoute qu’il peut être appliqué à la détermination d’une variété de propriétés, pas seulement la contrainte et la déformation, mais aussi les champs fluides ou les champs magnétiques, par exemple les champs magnétiques à l’intérieur d’un réacteur de fusion. C’est “très universel, pas seulement pour différents matériaux, mais aussi pour différentes disciplines”.
Yang dit qu’il a d’abord commencé à réfléchir à cette approche lorsqu’il étudiait des données sur un matériau où une partie de l’imagerie qu’il utilisait était floue, et il s’est demandé remark il pourrait être attainable de “remplir le blanc” des données manquantes dans le zone floue. « Comment pouvons-nous récupérer ces informations manquantes ? » se demanda-t-il. En lisant in addition loin, il a découvert qu’il s’agissait d’un exemple d’un problème répandu, connu sous le nom de problème inverse, consistant à essayer de récupérer des informations manquantes.
Le développement de la méthode impliquait un processus itératif, le modèle faisant des prédictions préliminaires, les comparant aux données réelles sur le matériau en problem, puis affinant davantage le modèle pour qu’il corresponde à ces informations. Le modèle résultant a été testé dans des cas où les matériaux sont suffisamment bien compris pour pouvoir calculer les véritables propriétés internes, et les prédictions de la nouvelle méthode correspondaient bien à ces propriétés calculées.
Les données de formation comprenaient des photographs des surfaces, mais également divers autres varieties de mesures des propriétés de floor, y compris les contraintes et les champs électriques et magnétiques. Dans de nombreux cas, les chercheurs ont utilisé des données simulées basées sur une compréhension de la framework sous-jacente d’un matériau donné. Et même lorsqu’un nouveau matériau présente de nombreuses caractéristiques inconnues, la méthode peut toujours générer une approximation suffisamment bonne pour fournir aux ingénieurs une orientation générale sur la manière de procéder à d’autres mesures.
Comme exemple de la façon dont cette méthodologie pourrait être appliquée, Buehler souligne qu’aujourd’hui, les avions sont souvent inspectés en testant quelques zones représentatives avec des méthodes coûteuses telles que les rayons X, car or truck il serait not possible de tester l’avion entier. “Il s’agit d’une approche différente, où vous disposez d’un moyen beaucoup moins coûteux de collecter des données et de faire des prévisions”, déclare Buehler. “A partir de là, vous pouvez ensuite prendre des décisions sur l’endroit où vous voulez chercher, et peut-être utiliser un équipement additionally coûteux pour le tester.”
Pour commencer, il s’attend à ce que cette méthode, qui est mise gratuitement à la disposition de tous by way of le website Internet GitHub, soit principalement appliquée en laboratoire, par exemple pour tester des matériaux utilisés pour des programs de robotique douce.
Pour de tels matériaux, dit-il, “Nous pouvons mesurer des choses à la area, mais nous n’avons aucune idée de ce qui se passe souvent à l’intérieur du matériau, vehicle il est composé d’un hydrogel ou de protéines ou de biomatériaux pour les actionneurs, et il n’y a pas de théorie. C’est donc un domaine dans lequel les chercheurs pourraient utiliser notre approach pour faire des prédictions sur ce qui se passe à l’intérieur, et peut-être concevoir de meilleures pinces ou de meilleurs composites », ajoute-t-il.
La recherche a été soutenue par le US Military Analysis Workplace, le Air Force Business office of Scientific Investigate, la plateforme GoogleCloud et le MIT Quest for Intelligence.