Nueva herramienta basada en IA calcula esfuerzos en materiales con fotografías

Investigadores del MIT han desarrollado una técnica capaz de determinar rápidamente ciertas propiedades de un material, como los esfuerzos cortantes y de tensión, tomando en cuenta imágenes de la estructura interna del material. Este método podría en un futuro hacer que prescindamos de arduos cálculos con ecuaciones físicas en el análisis de elemento finito convencional. En cambio, se usarán métodos de visión artificial y aprendizaje máquina para generar estimaciones en tiempo real del comportamiento de materiales y estructuras.

Los investigadores mencionan que el avance permitiría un prototipado más ágil e inspecciones de materiales más veloces. El investigador Zhenze Yang menciona que es «una aproximación completamente nueva» al análisis de materiales y añade que el algoritmo «completa todo el proceso sin ningún conocimiento previo de leyes físicas»

El algoritmo muestra buenas capacidades de predicción y, comparado el análisis de esfuerzos, muestra un error relativo de entre 5% y 10%. Las imagen A muestra claramente la similitud entre la simulación y la predicción por el algoritmo desarrollado. Vïa: Science Advances

¿Cómo funciona?

El método tradicional

En la forma tradicional los ingenieros emplean recursos computacionales para resolver ecuaciones que describen el comportamiento de los materiales mediante métodos numéricos. Esto permite estudiar las fuerzas internas del material, como las de tensión y corte, que ocasionan que el material se deforme o se rompa. El inconveniente de esta forma de diseñar prototipos y estudiar su comportamiento es que es muy costoso en cuanto a tiempo de ejecución se refiere. Puede tomar días, semanas e incluso meses ejecutar ciertas simulaciones. Así que se toma una aproximación distinta, usando aprendizaje máquina para resolver el problema.

El nuevo método

Partiendo del estudio de la estructura interna de los materiales, los investigadores emplearon una técnica de aprendizaje máquina denominada Red Neuronal Generativa por Adversarios (Generative Adversarial Neural Network). El método de aprendizaje consiste en comparar miles de imágenes por pares, una que muestra la microestructura interna del material sujeta a esfuerzos mecánicos y la otra mostrando el mismo material pero con valores de esfuerzos codificados por color. Con estos ejemplos la red usa principios de teoría de juegos para averiguar de forma iterativa las relaciones entre la geometría del material y los esfuerzos resultantes.

Para la nueva metodología se generan geometrías aleatorias de 8×8 pixeles que se estudian mecánicamente para determinar los esfuerzos presentes. Las muestras se ingresan a la red neuronal y se generan geometrías falsas, a fin de que el algoritmo pueda identificar la que coincide con el análisis de esfuerzos. Con el aprendizaje de las imágenes se pueden predecir los esfuerzos presentes en geometrías sin analizar y, con esa información, determinar el esfuerzo de una estructura más grande o de un patrón local. Vía: Science Advances

Conclusiones:

Este nuevo método es ventajoso por que permite analizar piezas complejas que estén compuestas de distintos materiales. Además, es muy común que los materiales se comporten distinta entre si lo observamos de forma microscópica y macroscópica. Pero no sólo representa una ventaja en cuestión de materiales, sino que vuelve más accesible el análisis a diferentes usuarios.

Por ahora el método presentado en la investigación ha mostrado buenos resultados con las muestras analizadas. Incluso, ha demostrado ser útil para analizar singularidades con grietas. Esperamos que estos avances permitan estudiar en un futuro no muy lejano, piezas de análisis complejo como las que se obtienen mediante impresión 3D.

Referencias:

New AI tool calculates materials’ stress and strain based on photos

Deep learning model to predict complex stress and strain fields in hierarchical composites

Vía: MIT News