Alat Citra Berbasis AI Prediksi Stres dan Regangan Material Secara Real Time
Peneliti telah mengembangkan teknik untuk menentukan dengan cepat properti tertentu dari sebuah material, seperti stres dan regangan, berdasarkan citra dari material yang menunjukkan struktur internalnya. Pendekatan ini suatu hari dapat menghilangkan kebutuhan akan perhitungan berbasis fisika, sebagai gantinya bergantung pada visi komputer dan machine learning untuk menghasilkan estimasi secara real-time. Kemajuan ini dapat memungkinkan prototipe desain yang lebih cepat dan pemeriksaan material.
Perhitungan membantu mengungkap gaya internal dari sebuah material, seperti stres dan regangan, yang dapat menyebabkan material itu berubah bentuk atau patah. Perhitungan semacam itu dapat menyarankan bagaimana jembatan yang diusulkan akan bertahan di tengah beban lalu lintas yang padat atau angin kencang. Peneliti menggunakan teknik machine learning yang disebut Generative Adversarial Neural Network yang dilatih dengan ribuan pasangan citra — satu yang menggambarkan mikrostruktur internal material yang tunduk pada gaya mekanis dan yang lain yang menggambarkan nilai stres dan regangan berwarna dari material yang sama. Dengan contoh-contoh ini, jaringan menggunakan prinsip teori permainan untuk secara iteratif menentukan hubungan antara geometri sebuah material dan stres yang dihasilkannya.
Pendekatan berbasis citra sangat menguntungkan untuk material komposit kompleks. Gaya pada sebuah material mungkin beroperasi secara berbeda pada skala atomik daripada pada skala makroskopis.
Namun jaringan peneliti mahir dalam menangani beberapa skala. Ini memproses informasi melalui serangkaian “konvolusi” yang menganalisis citra pada skala yang semakin besar.
Jaringan yang telah dilatih sepenuhnya berhasil merender nilai stres dan regangan dengan serangkaian citra close-up dari mikrostruktur berbagai material komposit lunak. Jaringan bahkan mampu menangkap “singularitas” seperti retakan yang berkembang dalam sebuah material. Dalam kasus-kasus ini, gaya dan lapangan berubah dengan cepat dalam jarak yang sangat kecil.
Kemajuan ini dapat secara signifikan mengurangi iterasi yang diperlukan untuk merancang produk. Pendekatan end-to-end ini dapat memberikan dampak signifikan pada berbagai aplikasi teknik, dari komposit yang digunakan di industri otomotif dan pesawat, hingga biomaterial alami dan buatan.
Selain menghemat waktu dan uang insinyur, teknik baru ini dapat memberikan akses non-ahli pada perhitungan material terbaru. Desainer produk, misalnya, dapat menguji kelayakan ide mereka sebelum menyerahkan proyek kepada tim teknik.
Setelah dilatih, jaringan berjalan hampir secara instan pada prosesor komputer kelas konsumen. Itu dapat memungkinkan mekanik dan inspektor untuk mendiagnosis potensi masalah dengan mesin hanya dengan mengambil gambar.
Peneliti bekerja terutama dengan material komposit yang terdiri dari komponen lunak dan rapuh dalam berbagai pengaturan geometri acak. Dalam pekerjaan masa depan, mereka berencana untuk menggunakan berbagai jenis material yang lebih luas.
