L'outil calcule la contrainte et la déformation des matériaux sur la base de photos

Des chercheurs ont mis au point une technique pour déterminer rapidement certaines propriétés d'un matériau, comme la contrainte et la déformation, à partir d'une image du matériau montrant sa structure interne. L'approche pourrait un jour éliminer le besoin de calculs basés sur la physique, s'appuyant plutôt sur la vision par ordinateur et l'apprentissage automatique pour générer des estimations en temps réel. Cette avancée pourrait permettre un prototypage de conception et des inspections de matériaux plus rapides.

Les calculs aident à révéler les forces internes d'un matériau, telles que les contraintes et les déformations, qui peuvent provoquer la déformation ou la rupture de ce matériau. De tels calculs pourraient suggérer comment un pont proposé résisterait à de fortes charges de trafic ou à des vents violents. Les chercheurs ont utilisé une technique d'apprentissage automatique appelée Generative Adversarial Neural Network qui a été formée avec des milliers d'images appariées - l'une représentant la microstructure interne d'un matériau soumise à des forces mécaniques et l'autre représentant les valeurs de contrainte et de déformation codées par couleur de ce même matériau. Avec ces exemples, le réseau utilise les principes de la théorie des jeux pour déterminer de manière itérative les relations entre la géométrie d'un matériau et les contraintes qui en résultent.

L'approche basée sur l'image est particulièrement avantageuse pour les matériaux composites complexes. Les forces sur un matériau peuvent agir différemment à l'échelle atomique qu'à l'échelle macroscopique.

Mais le réseau du chercheur est apte à traiter de multiples échelles. Il traite les informations à travers une série de "convolutions" qui analysent les images à des échelles progressivement plus grandes.

Le réseau entièrement formé a rendu avec succès les valeurs de contrainte et de déformation à partir d'une série d'images rapprochées de la microstructure de divers matériaux composites souples. Le réseau était même capable de capturer des « singularités » comme des fissures se développant dans un matériau. Dans ces cas, les forces et les champs changent rapidement sur de petites distances.

Cette avancée pourrait réduire considérablement les itérations nécessaires à la conception des produits. L'approche de bout en bout pourrait avoir un impact significatif sur une variété d'applications d'ingénierie, des composites utilisés dans les industries automobile et aéronautique aux biomatériaux naturels et artificiels.

En plus d'économiser du temps et de l'argent aux ingénieurs, la nouvelle technique pourrait permettre aux non-experts d'accéder à des calculs de matériaux de pointe. Les concepteurs de produits, par exemple, pourraient tester la viabilité de leurs idées avant de transmettre le projet à une équipe d'ingénieurs.

Une fois formé, le réseau fonctionne presque instantanément sur des processeurs informatiques grand public. Cela pourrait permettre aux mécaniciens et aux inspecteurs de diagnostiquer les problèmes potentiels des machines simplement en prenant une photo.

Les chercheurs ont travaillé principalement avec des matériaux composites qui comprenaient à la fois des composants mous et cassants dans une variété d'arrangements géométriques aléatoires. Dans les travaux futurs, ils prévoient d'utiliser une gamme plus large de types de matériaux.