Scientifiques de l'Université technologique de Nanyang, Singapour (NTU Singapour), Institut de technologie du Massachusetts (MIT), et l'Université Brown ont développé de nouvelles approches qui améliorent considérablement la précision d'une importante technique de test des matériaux en exploitant la puissance de l'apprentissage automatique.

Nano-indentation, le processus consistant à piquer un échantillon d'un matériau avec une pointe pointue en forme d'aiguille pour voir comment le matériau réagit en se déformant, est important dans de nombreuses applications de fabrication, mais sa faible précision dans l'obtention de certaines propriétés mécaniques clés d'un matériau l'a empêché d'être largement utilisé dans l'industrie.

En utilisant le processus standard de nano-indentation et en transmettant ses données mesurées expérimentalement à un système d'apprentissage automatique de réseau neuronal, les scientifiques ont développé et entraîné le système pour prédire la limite d'élasticité de l'échantillon 20 fois plus précisément que les méthodes existantes.

La nouvelle technique analytique pourrait réduire le besoin de simulations informatiques longues et coûteuses pour garantir que les pièces fabriquées utilisées dans des applications structurelles telles que les avions et les automobiles, et ceux fabriqués à partir de techniques de fabrication numérique telles que l'impression 3D peuvent être utilisés en toute sécurité dans des conditions réelles.

L'auteur principal correspondant de cet article, Professeur d'université distingué NTU Subra Suresh, qui est aussi le président de l'université, mentionné, "En intégrant les dernières avancées du machine learning avec la nano-indentation, nous avons montré qu'il est possible d'améliorer la précision des estimations des propriétés des matériaux jusqu'à 20 fois. Nous avons également validé la capacité prédictive et l'amélioration de la précision de ce système sur des alliages d'aluminium fabriqués de manière conventionnelle et des alliages de titane imprimés en 3D. Cela souligne le potentiel de notre méthode pour les applications de fabrication numérique dans l'industrie 4.0, en particulier dans des domaines tels que l'impression 3D."

Les conclusions seront publiées dans le Actes de l'Académie nationale des sciences cette semaine.

Avantages matériels d'une approche hybride

La méthode, développé par l'équipe de chercheurs de NTU, MIT, et marron, est une approche hybride qui combine l'apprentissage automatique avec des techniques de nano-indentation de pointe.

Le processus commence par presser une pointe dure, généralement constituée d'un matériau comme le diamant, dans le matériau de l'échantillon à une vitesse contrôlée avec une force calibrée avec précision, tout en mesurant en permanence la profondeur de pénétration de la pointe dans le matériau en cours de déformation.

Le défi se pose parce que le processus de décodage des données résultantes mesurées expérimentalement est extrêmement complexe et empêche actuellement l'utilisation généralisée de la technique de test de nano-indentation, dans la fabrication d'avions et d'automobiles, selon le professeur NTU Upadrasta Ramamurty, qui détient la chaire du président en génie mécanique et aérospatial et en science et génie des matériaux à NTU.

Pour améliorer la précision dans de telles situations, l'équipe NTU-MIT-Brown a développé un réseau neuronal avancé - un système informatique modelé vaguement sur le cerveau humain - et l'a « entraîné » avec une combinaison de données expérimentales réelles et de données générées par ordinateur. Leur « multi-fidélité » approche des données expérimentales réelles ainsi que des données « synthétiques » basées sur la physique et simulées par ordinateur (à partir de simulations informatiques bidimensionnelles et tridimensionnelles) avec des algorithmes d'apprentissage en profondeur.

Le chercheur principal du MIT et professeur invité NTU, Ming Dao, a déclaré que les tentatives précédentes d'utilisation de l'apprentissage automatique pour analyser les propriétés des matériaux impliquaient principalement l'utilisation de données « synthétiques » générées par l'ordinateur dans des conditions irréalistes, par exemple lorsque la forme de la pointe du pénétrateur est parfaitement tranchant, et le mouvement du pénétrateur est parfaitement lisse. En conséquence, les mesures prédites par l'apprentissage automatique étaient inexactes.

Entraîner le réseau de neurones dans un premier temps avec des données synthétiques, incorporant ensuite un nombre relativement faible de points de données expérimentaux réels, cependant, peut considérablement améliorer la précision des résultats, l'équipe a trouvé.

Ils signalent également que la formation avec des données synthétiques peut être effectuée à l'avance, avec un petit nombre de résultats expérimentaux réels à ajouter pour l'étalonnage lorsqu'il s'agit d'évaluer les propriétés des matériaux réels.

Le professeur Suresh a dit :"L'utilisation de points de données expérimentaux réels aide à compenser le monde idéal supposé dans les données synthétiques. En utilisant un bon mélange de points de données du monde idéalisé et réel, le résultat final est une erreur considérablement réduite."