A Pusan egy új modellt tervezett a fém elhasználódásának előrejelzésére
Ez a hibrid modell gépi tanulást és fizikát használ a könnyű magnéziumötvözetek kifáradási élettartamának előrejelzésére.
A magnéziumötvözetek erősségük, kis tömegük és könnyű megmunkálhatóságuk miatt egyre népszerűbbek a járművek és repülőgépek tervezésében. A súlycsökkentés kulcsfontosságú, mert a könnyebb járműveknek kevesebb energiára van szükségük a mozgáshoz, így energiát takarítanak meg és csökkentik a károsanyag-kibocsátást. Mivel azonban a magnéziumötvözetek stressz hatására eltérően viselkednek, a „fáradási élettartamuk” előrejelzése kihívást jelent. Idővel az ezekből az ötvözetekből készült alkatrészeken apró repedések keletkezhetnek a használat során fellépő ismételt igénybevétel miatt.
Eddig nehéz volt megjósolni, hogy pontosan hogyan és mikor keletkeznek ezek a repedések, mivel a hagyományos módszerek olyan empirikus modelleket foglalnak magukban, amelyek gyakori kiigazítást igényelnek a különböző terhelési feltételekhez. Ez a korlátozás megnehezíti azok megvalósítását ipari alkalmazásokban, ahol gyakori a terhelés és az irányváltás.
A dél-koreai Pusan National University munkatársa, Taekyung Lee professzor által vezetett kutatócsoport Jinyeong Yu úrral, egy Ph.D-jelölttel együtt vállalta, hogy megbirkózik ezzel a kihívással. A Journal of Magnesium Alloys folyóiratban megjelent tanulmányukban a csoport integrálta a gépi tanulást energiaalapú fizikai modellezéssel az előrejelzés pontosságának javítása érdekében. A modell egy neurális hálózat kombinációjával működik, amely elemzi a feszültség- és alakváltozási ciklusok összetett mintázatait, valamint egy energiaalapú fizikai modellt, amely holisztikusabb megértést nyújt az anyag ciklikus terhelés alatti viselkedéséről.
A modellt az AZ31 magnéziumötvözet alacsony ciklusú kifáradási tesztjeiből összegyűjtött hiszterézishurkok – az anyag ismételt be- és kirakodása során megfigyelt feszültség-nyúlási viselkedések – nagyszámú adatkészletével építettük fel.
„A neurális hálózat tanul ezekből a feszültségciklusokból, amelyek megmutatják, hogyan nyúlik meg, hajlik meg és tér vissza alakjába terhelés hatására. Ezután egy fizikán alapuló modellt használunk a neurális hálózat földelésére az anyagtudomány fizikai törvényei szerint, és előre jelezzük, mikor keletkezhetnek repedések” – magyarázza Lee professzor.
A kifáradási élettartam közvetlen előrejelzése helyett a neurális hálózat megbecsüli az anyag hiszterézishurkát különböző körülmények között. Ezeknek a hurkoknak a rekonstrukciójával pontosabban felmérheti, hogy az anyag energiája hogyan disszipálódik minden egyes ciklus során, ami közvetlenül összefügg azzal, hogy milyen gyorsan halmozódik fel a “fáradtság”. Ezután a fizikán alapuló modell ezeket a feszültségciklus-előrejelzéseket megbízható becslésekké alakítja át a meghibásodásig tartó ciklusok számára vagy az ötvözet kifáradási élettartamára vonatkozóan.
„Mivel a gépi tanulási komponens folyamatosan alkalmazkodik, miközben tanul a hurokadatokból, ez a módszer rugalmasabb több betöltési irányban és körülmény között, így nincs szükség manuális paraméterbeállításokra” – teszi hozzá Lee professzor.
Ennek az új megközelítésnek a megjelenésével a gyártók hamarosan profitálhatnak a nagyobb előrejelzési megbízhatóságból a magnéziumötvözetekkel végzett munka során, ami biztonságosabb, könnyebb és költséghatékonyabb tervezést tesz lehetővé nagy téttel rendelkező környezetben. A modell áramvonalasabb és pontosabb megközelítést kínál a magnéziumötvözetek kifáradási élettartamának előrejelzéséhez, ami a valós alkalmazásokban a kritikus alkatrészek fokozott biztonságához és élettartamához vezethet.
(forrás: Pusani Nemzeti Egyetem)
