Un deep learning generalizzato

Rapporti scientifici volume 13, numero articolo: 9079 (2023) Citare questo articolo

716 accessi

1 Altmetrico

Dettagli sulle metriche

L'uso di modelli surrogati basati su Reti Neurali Convoluzionali (CNN) sta aumentando in modo significativo nell'analisi della microstruttura e nelle previsioni delle proprietà. Uno dei limiti dei modelli esistenti è la loro limitazione nel fornire informazioni materiali. In questo contesto, è stato sviluppato un metodo semplice per codificare le proprietà del materiale nell'immagine della microstruttura in modo che il modello apprenda informazioni sul materiale oltre alla relazione struttura-proprietà. Queste idee sono dimostrate sviluppando un modello CNN che può essere utilizzato per materiali compositi fibrorinforzati con un rapporto tra moduli elastici della fibra e matrice compreso tra 5 e 250 e frazioni volumetriche delle fibre comprese tra il 25 e il 75%, che si estendono da un'estremità all'altra. -fine gamma pratica. Le curve di convergenza dell'apprendimento, con l'errore percentuale medio assoluto come metrica di interesse, vengono utilizzate per trovare il numero ottimale di campioni di addestramento e dimostrare le prestazioni del modello. La generalità del modello addestrato viene mostrata attraverso le sue previsioni su microstrutture completamente invisibili i cui campioni sono estratti dal dominio estrapolato delle frazioni volumetriche delle fibre e dai contrasti dei moduli elastici. Inoltre, per rendere le previsioni fisicamente ammissibili, i modelli vengono addestrati applicando i limiti di Hashin-Shtrikman che hanno portato a prestazioni migliorate del modello nel dominio estrapolato.

I modelli di machine learning (ML), in particolare i relativi sottodomini di reti neurali artificiali (ANN), si sono rivelati strumenti preziosi nella progettazione e nell'analisi dei materiali compositi1,2,3. Innanzitutto, questi modelli vengono sviluppati apprendendo dai punti dati generati dalle simulazioni o raccolti dagli esperimenti. Successivamente, durante la distribuzione, questo modello viene utilizzato per fare inferenze su qualsiasi punto dati con le stesse caratteristiche di quelli utilizzati durante l'apprendimento. In genere, il processo di sviluppo iniziale del modello comporta costi computazionali (memoria e tempo) per la generazione dei dati e l'addestramento del modello. Il vantaggio atteso è che, con il modello sviluppato, le previsioni possono essere fatte in tempi significativamente più brevi. In questo caso, il numero di punti necessari per l'addestramento di un modello dipende da molteplici fattori come la quantità di conoscenza pregressa del sistema utilizzato nel processo di addestramento4, la complessità della relazione input-output e l'accuratezza attesa del modello. La ricerca attiva si concentra sull'utilizzo della fisica conosciuta, come le equazioni governative o costitutive, durante l'addestramento dei modelli. In questa direzione, le reti neurali informate dalla fisica (PINN)5,6,7 hanno guadagnato molta attenzione per la risoluzione accurata delle PDE della fisica sottostante. Un campionamento degli input basato sulla conoscenza è un altro modo di utilizzare la fisica del problema nell'addestramento del modello8,9. Oltre all’infusione di conoscenze pregresse, il tipo di architettura ANN gioca un ruolo essenziale per un apprendimento efficace e senza sforzo. Alcune delle architetture ANN di successo includono; reti neurali convoluzionali (CNN) per dati di tipo immagine, reti neurali ricorrenti (RNN) per dati sequenziali o serie temporali e reti generative avversarie (GAN) per apprendere la distribuzione dei dati forniti.

La valutazione delle proprietà dei materiali compositi è un compito non banale a causa delle eterogeneità su varie scale di lunghezza e della natura statistica della distribuzione e della morfologia dei costituenti. Poiché i metodi sperimentali richiedono molto tempo ed sono economicamente più costosi, vengono sviluppate soluzioni analitiche per trovare le proprietà di un ipotetico materiale omogeneo equivalente che risponde in modo simile al materiale composito. Queste soluzioni sono ottenute da determinate ipotesi, quindi applicabili solo a casi più semplici con restrizioni sulla geometria e sulla distribuzione dei costituenti. Queste carenze possono essere affrontate con l'omogeneizzazione basata sull'analisi degli elementi finiti (FEA)10,11, in cui molteplici problemi di valore limite vengono risolti su un elemento di volume rappresentativo (RVE) utilizzando diversi casi di carico. Alcune variazioni di questo approccio FEA convenzionale12,13 sono sviluppate per ridurre i costi computazionali. L'omogeneizzazione basata sul metodo asintotico variazionale (VAM), ad esempio, fornisce una matrice materiale efficace utilizzando l'analisi di singoli elementi finiti senza alcuna post-elaborazione, in contrasto con la risoluzione di più casi insieme a fasi di post-elaborazione altrettanto impegnative nell'approccio convenzionale. Tuttavia, il tempo di calcolo e le risorse necessarie sono sufficientemente significativi da rallentare la ricerca di materiali compositi migliori. Pertanto, è in corso una ricerca attiva per combinare la micromeccanica computazionale e i metodi di intelligenza artificiale (AI) basati sui dati per costruire modelli surrogati6,7,14,15,16,17.