Outil d'imagerie piloté par IA prédit contrainte et déformation des matériaux en temps réel

Des chercheurs ont développé une technique pour déterminer rapidement certaines propriétés d'un matériau, comme la contrainte et la déformation, à partir d'une image montrant sa structure interne. L'approche pourrait un jour éliminer le besoin de calculs basés sur la physique, en 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 plus rapide et des inspections de matériaux.

Du calcul physique à la vision par ordinateur

Les calculs aident à révéler les forces internes d'un matériau, comme la contrainte et la déformation, qui peuvent le faire se déformer ou se briser. De tels calculs pourraient suggérer comment un pont proposé résisterait au trafic lourd ou aux vents forts. Les chercheurs ont utilisé une technique d'apprentissage automatique appelée Réseau Neuronal Adversaire Génératif (GAN) entraîné avec des milliers d'images appariées — l'une représentant la microstructure interne d'un matériau soumis à des forces mécaniques et l'autre représentant les valeurs de contrainte et de déformation de ce même matériau codées par couleur. Avec ces exemples, le réseau utilise les principes de la théorie des jeux pour déterminer itérativement les relations entre la géométrie d'un matériau et ses contraintes résultantes.

Avantages pour matériaux composites complexes

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

Mais le réseau des chercheurs est habile à gérer plusieurs échelles. Il traite l'information à travers une série de « convolutions » qui analysent les images à des échelles progressivement plus grandes.

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

Impact sur l'ingénierie et accès démocratisé

Cette avancée pourrait réduire significativement les itérations nécessaires à la conception de 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 conçus.

En plus de faire gagner du temps et de l'argent aux ingénieurs, la nouvelle technique pourrait donner aux non-experts un accès 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'ingénierie.

Une fois entraîné, le réseau s'exécute presque instantanément sur des processeurs informatiques grand public. Cela pourrait permettre aux mécaniciens et inspecteurs de diagnostiquer des problèmes potentiels avec des machines simplement en prenant une photo.

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