KI-gestütztes Bildanalyse-Tool prognostiziert Materialspannung & -verformung in Echtzeit

Forscher haben eine Technik entwickelt, um bestimmte Materialeigenschaften wie Spannung und Verformung schnell anhand eines Bildes der inneren Struktur des Materials zu bestimmen. Der Ansatz könnte künftig physikbasierte Berechnungen überflüssig machen, indem er stattdessen auf Computer Vision und maschinelles Lernen setzt, um Schätzungen in Echtzeit zu generieren. Der Fortschritt könnte schnelleres Design-Prototyping und Materialinspektionen ermöglichen.

Von Berechnungen zu Computer Vision

Berechnungen offenbaren interne Kräfte eines Materials wie Spannung und Verformung, die zu Verformung oder Bruch führen können. Solche Berechnungen könnten zeigen, wie eine geplante Brücke unter starkem Verkehr oder hohen Winden standhält. Die Forscher nutzten eine ML-Technik namens Generative Adversarial Neural Network, trainiert mit tausenden gepaarter Bilder – eines zeigt die innere Mikrostruktur eines Materials unter mechanischen Kräften, das andere die farbcodierten Spannungs- und Verformungswerte desselben Materials. Mit diesen Beispielen nutzt das Netzwerk Prinzipien der Spieltheorie, um iterativ die Beziehungen zwischen Materialgeometrie und resultierenden Spannungen zu ermitteln.

Vorteile bei komplexen Verbundwerkstoffen

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

Das Netzwerk der Forscher ist jedoch geschickt im Umgang mit mehreren Skalen. Es verarbeitet Informationen durch eine Reihe von „Faltungen“ (Convolutions), die die Bilder auf zunehmend größeren Skalen analysieren.

Erfolgreiche Validierung und Singularitätserkennung

Das vollständig trainierte Netzwerk renderte erfolgreich Spannungs- und Verformungswerte für Nahaufnahmen der Mikrostruktur verschiedener weicher Verbundwerkstoffe. Es war sogar in der Lage, „Singularitäten“ wie sich entwickelnde Risse in einem Material zu erfassen. In diesen Fällen ändern sich Kräfte und Felder über winzige Distanzen rapide.

Auswirkungen: Zeit- und Kosteneinsparung, Demokratisierung

Der Fortschritt könnte die für Produktdesign nötigen Iterationen signifikant reduzieren. Der End-to-End-Ansatz könnte erhebliche Auswirkungen auf diverse Ingenieuranwendungen haben – von Verbundwerkstoffen in Auto- und Luftfahrtindustrie bis zu natürlichen und künstlichen Biomaterialien.

Zusätzlich zu Zeit- und Geldeinsparungen für Ingenieure könnte die neue Technik Nichtexperten Zugang zu modernsten Materialberechnungen geben. Produktdesigner könnten beispielsweise die Machbarkeit ihrer Ideen testen, bevor sie das Projekt an ein Engineering-Team übergeben.

Einmal trainiert, läuft das Netzwerk nahezu augenblicklich auf Consumer-Prozessoren. Das könnte Mechanikern und Inspektoren ermöglichen, potenzielle Maschinenprobleme einfach durch Aufnehmen eines Bildes zu diagnostizieren.

Die Forscher arbeiteten primär mit Verbundwerkstoffen, die sowohl weiche als auch spröde Komponenten in verschiedenen zufälligen geometrischen Anordnungen enthielten. In zukünftiger Arbeit planen sie, ein breiteres Spektrum an Materialtypen zu nutzen.