Tool berechnet Materialspannung und -dehnung basierend auf Fotos

Forscher haben eine Technik entwickelt, um bestimmte Eigenschaften eines Materials, wie Spannung und Dehnung, schnell zu bestimmen, basierend auf einem Bild des Materials, das seine innere Struktur zeigt. Der Ansatz könnte eines Tages physikbasierte Berechnungen überflüssig machen und sich stattdessen auf Computer Vision und maschinelles Lernen verlassen, um Schätzungen in Echtzeit zu generieren. Der Fortschritt könnte eine schnellere Konstruktion von Prototypen und Materialprüfungen ermöglichen.

Berechnungen helfen dabei, die inneren Kräfte eines Materials wie Spannung und Dehnung aufzudecken, die dazu führen können, dass sich das Material verformt oder bricht. Solche Berechnungen könnten Aufschluss darüber geben, wie eine geplante Brücke bei starkem Verkehrsaufkommen oder starkem Wind standhalten würde. Die Forscher verwendeten eine maschinelle Lerntechnik namens Generative Adversarial Neural Network, die mit Tausenden von gepaarten Bildern trainiert wurde – eines zeigt die innere Mikrostruktur eines Materials, das mechanischen Kräften ausgesetzt ist, und das andere zeigt die farbcodierten Spannungs- und Dehnungswerte desselben Materials. Mit diesen Beispielen verwendet das Netzwerk Prinzipien der Spieltheorie, um iterativ die Beziehungen zwischen der Geometrie eines Materials und den daraus resultierenden Spannungen herauszufinden.

Der bildbasierte Ansatz ist besonders vorteilhaft für komplexe Verbundmaterialien. Kräfte auf ein Material können auf atomarer Ebene anders wirken als auf makroskopischer Ebene.

Aber das Netzwerk der Forscher ist geschickt im Umgang mit mehreren Skalen. Es verarbeitet Informationen durch eine Reihe von „Falten“, die die Bilder in zunehmend größeren Maßstäben analysieren.

Das vollständig trainierte Netzwerk hat anhand einer Reihe von Nahaufnahmen der Mikrostruktur verschiedener weicher Verbundmaterialien erfolgreich Spannungs- und Dehnungswerte gerendert. Das Netzwerk konnte sogar „Singularitäten“ wie entstehende Risse in einem Material erfassen. In diesen Fällen ändern sich Kräfte und Felder schnell über winzige Entfernungen hinweg.

Der Fortschritt könnte die Iterationen, die zum Entwerfen von Produkten erforderlich sind, erheblich reduzieren. Der End-to-End-Ansatz könnte erhebliche Auswirkungen auf eine Vielzahl von technischen Anwendungen haben, von Verbundwerkstoffen, die in der Automobil- und Flugzeugindustrie verwendet werden, bis hin zu natürlichen und technisch hergestellten Biomaterialien.

Die neue Technik spart den Ingenieuren nicht nur Zeit und Geld, sondern könnte auch Laien Zugang zu modernsten Materialberechnungen verschaffen. Produktdesigner könnten beispielsweise die Realisierbarkeit ihrer Ideen testen, bevor sie das Projekt an ein Ingenieurteam weitergeben.

Einmal trainiert, läuft das Netzwerk fast augenblicklich auf Computerprozessoren der Verbraucherklasse. Das könnte es Mechanikern und Inspektoren ermöglichen, potenzielle Probleme mit Maschinen zu diagnostizieren, indem sie einfach ein Foto machen.

Die Forscher arbeiteten hauptsächlich mit Verbundmaterialien, die sowohl weiche als auch spröde Komponenten in einer Vielzahl zufälliger geometrischer Anordnungen enthielten. Für zukünftige Arbeiten planen sie, eine breitere Palette von Materialtypen zu verwenden.