Ferramenta calcula tensão e deformação dos materiais com base em fotos

Pesquisadores desenvolveram uma técnica para determinar rapidamente certas propriedades de um material, como tensão e deformação, com base em uma imagem do material mostrando sua estrutura interna. A abordagem poderia um dia eliminar a necessidade de cálculos baseados em física, em vez de contar com visão computacional e aprendizado de máquina para gerar estimativas em tempo real. O avanço pode permitir uma prototipagem de design e inspeções de materiais mais rápidas.

Os cálculos ajudam a revelar as forças internas de um material, como tensão e deformação, que podem fazer com que esse material se deforme ou quebre. Tais cálculos podem sugerir como uma ponte proposta se comportaria em meio a cargas de tráfego pesado ou ventos fortes. Os pesquisadores usaram uma técnica de aprendizado de máquina chamada Rede Neural Generativa Adversarial que foi treinada com milhares de imagens pareadas – uma representando a microestrutura interna de um material sujeita a forças mecânicas e a outra representando os valores de tensão e tensão codificados por cores desse mesmo material. Com esses exemplos, a rede usa princípios da teoria dos jogos para descobrir iterativamente as relações entre a geometria de um material e suas tensões resultantes.

A abordagem baseada em imagem é especialmente vantajosa para materiais compostos complexos. As forças em um material podem operar de maneira diferente na escala atômica do que na escala macroscópica.

Mas a rede do pesquisador é adepta de lidar com múltiplas escalas. Ele processa as informações por meio de uma série de “convoluções” que analisam as imagens em escalas progressivamente maiores.

A rede totalmente treinada rendeu com sucesso os valores de tensão e deformação com uma série de imagens em close da microestrutura de vários materiais compósitos macios. A rede foi capaz até de capturar “singularidades” como rachaduras se desenvolvendo em um material. Nesses casos, as forças e os campos mudam rapidamente em pequenas distâncias.

O avanço poderia reduzir significativamente as iterações necessárias para projetar produtos. A abordagem de ponta a ponta pode ter um impacto significativo em uma variedade de aplicações de engenharia, desde compósitos usados ​​nas indústrias automotiva e aeronáutica até biomateriais naturais e de engenharia.

Além de economizar tempo e dinheiro para os engenheiros, a nova técnica pode dar aos não especialistas acesso a cálculos de materiais de última geração. Os designers de produto, por exemplo, podem testar a viabilidade de suas ideias antes de passar o projeto para uma equipe de engenharia.

Uma vez treinada, a rede é executada quase instantaneamente em processadores de computador de nível de consumidor. Isso poderia permitir que mecânicos e inspetores diagnosticassem possíveis problemas com máquinas simplesmente tirando uma foto.

Os pesquisadores trabalharam principalmente com materiais compostos que incluíam componentes macios e quebradiços em uma variedade de arranjos geométricos aleatórios. Em trabalhos futuros, eles planejam usar uma gama mais ampla de tipos de materiais.