محققان از هوش مصنوعی برای کشف اسرار ناهمسانگردی آلیاژ منیزیم استفاده می کنند

آلیاژهای منیزیم (Mg) به دلیل نسبت استحکام به وزن بالا به طور گسترده برای طراحی قطعات هوافضا و خودرو استفاده می شود. زیست سازگاری و چگالی کم آنها نیز این آلیاژها را برای استفاده در تجهیزات زیست پزشکی و الکترونیکی ایده آل می کند. با این حال، آلیاژهای منیزیم رفتار ناهمسانگرد پلاستیکی از خود نشان می دهند. به عبارت دیگر، خواص مکانیکی آنها بسته به جهت بار اعمال شده متفاوت است.

برای اطمینان از اینکه عملکرد این آلیاژهای منیزیم تحت تأثیر این قرار نمی گیرد بی نظیری رفتار، درک بهتر تغییر شکل های ناهمسانگرد و توسعه مدل هایی برای تجزیه و تحلیل آنها مورد نیاز است.

با توجه به آزمایشگاه طراحی و ساخت فلز (MEDEM) به سرپرستی دانشیار تائیونگ لی از دانشگاه ملی پوسان، جمهوری کره، فراگیری ماشین (ML) ممکن است پاسخ هایی برای این مشکل پیش بینی داشته باشد. در پیشرفت اخیر خود، این تیم رویکرد جدیدی به نام “شبکه های متخاصم مولد (GAN)-aided gated recurrent unit (GRU)” را پیشنهاد کردند.

این مدل دارای قابلیت تجزیه و تحلیل داده های قدرتمند برای پیش بینی دقیق خواص ناهمسانگرد پلاستیک آلیاژهای منیزیم فرفورژه است. کار آنها به صورت آنلاین در دسترس بود مجله منیزیم و آلیاژها در 16 ژانویه 2024

«در مورد دقت پیش‌بینی‌های ML از نظر علم داده، متوجه شدیم که جای پیشرفت وجود دارد. بنابراین، برخلاف روش‌های پیش‌بینی گزارش‌شده قبلی، ما یک مدل ML افزوده شده با داده‌ها را برای دستیابی به دقت و همچنین قابلیت تعمیم در رژیم‌های بارگذاری مختلف ایجاد کردیم.

“این در نهایت راه هایی را برای ادغام با تجزیه و تحلیل اجزای محدود برای به دست آوردن تخمین تنش دقیق محصولات ساخته شده از آلیاژهای فلزی با ناهمسانگردی پلاستیک قابل توجه باز کرد.”

برای ساخت مدلی با دقت بالا، تیم تمام منحنی‌های جریان، GAN، تنظیم فراپارامتر مبتنی بر الگوریتم و معماری GRU را که برخی از استراتژی‌های کلیدی مورد استفاده در علم داده هستند، ترکیب کردند. این رویکرد جدید یادگیری کل داده‌های منحنی جریان را تسهیل می‌کند، نه اینکه به آموزش بر روی مصالح محدود شود ویژگی های مکانیکیمانند بسیاری از مدل های قبلی

برای آزمایش قابلیت اطمینان مدل GRU به کمک GAN، تیم به طور گسترده آن را در سناریوهای پیش‌بینی‌کننده از برون‌یابی، درون یابی و استحکام، با مجموعه داده‌هایی با اندازه محدود ارزیابی کرد. هنگامی که برای آزمایش قرار گرفت، این مدل رفتار ناهمسانگرد آلیاژهای ZK60 Mg را برای سه جهت بارگذاری و تحت 11 شرایط بازپخت ارزیابی کرد.

با این آزمایش‌ها، تیم دریافتند که مدل آن‌ها به طور قابل‌توجهی استحکام و قابلیت تعمیم بهتری نسبت به سایر مدل‌های طراحی‌شده برای انجام کارهای مشابه نشان می‌دهد. این عملکرد برتر عمدتاً به دلیل افزایش داده ها به کمک GAN است و با قابلیت برون یابی عالی معماری GRU و بهینه سازی فراپارامترها – پارامترهایی که مقادیر آنها برای کنترل فرآیند یادگیری استفاده می شود، پشتیبانی می شود.

بنابراین، این مطالعه مدل‌سازی پیش‌بینی را فراتر از شبکه‌های عصبی مصنوعی انجام می‌دهد. این با موفقیت توانایی مدل های مبتنی بر ML را برای تخمین رفتار تغییر شکل ناهمسانگرد آلیاژهای منیزیم تغییر شکل یافته نشان داد.

“عملکرد کلی و طول عمر اجزای ساخته شده از آلیاژ منیزیم به شدت به رفتار ناهمسانگرد پلاستیکی بستگی دارد و پیش بینی تغییر شکل و مدیریت آن را به بخش مهمی از طراحی مواد تبدیل می کند. ما معتقدیم که این مدل به طراحی و ساخت محصولات فلزی برای کاربردهای مختلف کمک خواهد کرد.”