Herramienta de IA Predice Esfuerzo y Deformación de Materiales en Tiempo Real desde Imágenes

Investigadores han desarrollado una técnica para determinar rápidamente ciertas propiedades de un material, como esfuerzo y deformación, basándose en una imagen del material que muestra su estructura interna. El enfoque podría eliminar algún día la necesidad de cálculos basados en física, basándose en visión por computadora y aprendizaje automático para generar estimaciones en tiempo real. El avance podría permitir prototipado de diseño más rápido e inspecciones de materiales.

Red Neuronal Generativa Adversaria Entrenada con Miles de Imágenes

Los cálculos ayudan a revelar las fuerzas internas de un material, como esfuerzo y deformación, que pueden causar que el material se deforme o rompa. Tales cálculos podrían sugerir cómo un puente propuesto aguantaría bajo cargas de tráfico pesado o vientos fuertes. Los investigadores usaron una técnica de aprendizaje automático llamada Red Neuronal Generativa Adversaria entrenada con miles de imágenes emparejadas — una representando la microestructura interna de un material sujeta a fuerzas mecánicas y la otra representando los valores de esfuerzo y deformación codificados por color de ese mismo material. Con estos ejemplos, la red usa principios de teoría de juegos para descubrir iterativamente las relaciones entre la geometría de un material y sus tensiones resultantes.

Ventajas para Materiales Compuestos Complejos

El enfoque basado en imágenes es especialmente ventajoso para materiales compuestos complejos. Las fuerzas en un material pueden operar de manera diferente a escala atómica que a escala macroscópica. Pero la red de los investigadores es hábil para lidiar con múltiples escalas. Procesa información a través de una serie de "convoluciones" que analizan las imágenes a escalas progresivamente mayores.

La red completamente entrenada renderizó exitosamente valores de esfuerzo y deformación dada una serie de imágenes de primer plano de la microestructura de diversos materiales compuestos blandos. La red incluso pudo capturar "singularidades" como grietas desarrollándose en un material. En estas instancias, fuerzas y campos cambian rápidamente a través de distancias diminutas.

Impacto en Ingeniería y Acceso para No Expertos

El avance podría reducir significativamente las iteraciones necesarias para diseñar productos. El enfoque de extremo a extremo podría tener un impacto significativo en una variedad de aplicaciones de ingeniería, desde compuestos usados en industrias automotriz y aeroespacial, hasta biomateriales naturales e ingenierados.

Además de ahorrar tiempo y dinero a ingenieros, la nueva técnica podría dar a no expertos acceso a cálculos de materiales de vanguardia. Diseñadores de productos, por ejemplo, podrían probar la viabilidad de sus ideas antes de pasar el proyecto a un equipo de ingeniería.

Una vez entrenada, la red corre casi instantáneamente en procesadores de consumo. Eso podría permitir a mecánicos e inspectores diagnosticar problemas potenciales con maquinaria simplemente tomando una foto.

Los investigadores trabajaron principalmente con materiales compuestos que incluían componentes blandos y frágiles en una variedad de arreglos geométricos aleatorios. En trabajos futuros, planean usar una gama más amplia de tipos de materiales.