Por primera vez, un equipo de investigadores de la Universidad de LEH ha predicho el crecimiento anormal del grano en las sustancias poly cristal artificiales: un desarrollo que puede conducir a un entorno de alto estrés, como material fuerte y más confiable para los motores de combustión. Recientemente se publicó un artículo que describe su nuevo método de aprendizaje automático. El contenido computacional de la naturaleza.
“Usando imágenes, no solo pudimos predecir un crecimiento extraordinario de grano, sino que pudimos predecir cuándo se desarrolla”, Brian Yi Chen, quien es coutor de la Facultad de Ingeniería de PC Rosen de Ingeniería y Ciencia Aplicada y el estudio del estudio. “Testificamos el 86 %, pudimos predecir este contenido dentro del primer 20 % de la vida del contenido si un grano en particular se volvería inusual”.
Cuando los metales y la cerámica están constantemente expuestos al calor, como cohetes o motores de aviones, por ejemplo, pueden fallar. Dichos materiales están hechos de cristales o granos, y cuando se calientan, se pueden mover movimientos atómicos, lo que hace que los cristales crezcan o se encogen. Cuando algunos granos crecen inusualmente más grandes que sus vecinos, el cambio resultante puede cambiar las propiedades del material. Se puede romper un material que anteriormente tenía cierta flexibilidad, por ejemplo,.
“Cuando diseñamos el material, queremos poder diseñarlo deliberadamente para evitar un crecimiento extraordinario de grano”, dice Chen.
Una forma inteligente de indicar contenido estable
Sin embargo, hasta la fecha, predecir un crecimiento extraordinario de grano ha sido un problema de pila alta en la inyección. Aquí hay innumerables combinaciones y concentraciones que pueden entrar en la creación de cualquier aleación. Entonces es importante experimentar cada uno de estos metales, que es costoso, demanda de tiempo y, a menudo, inaccesible. La competencia del equipo de Chen ayuda a reducir las posibilidades de eliminar el contenido rápidamente que probablemente desarrolle un crecimiento anormal de granos.
“Nuestros resultados son importantes porque si desea ver esta hierba grande de diferentes sustancias, antes de descubrir si el grano va a ser un crecimiento anormal, no tendrá que imitar demasiado a todos”. “Desea imitar durante el menor tiempo y luego seguir adelante”.
El desafío es que el crecimiento extraordinario del grano es un evento raro y, inicialmente, el grano que se verá como otros se verá inusual.
Desbloqueo de patrones ocultos con IA
Para indicar esto, el equipo desarrolló un modelo de aprendizaje profundo en el que se combinaron dos técnicas para analizar cómo se desarrollaron los granos con el tiempo e interactúan entre sí: una red de memoria a largo plazo (LSTM) indicó cómo los materiales del material se basarían en las propiedades y las propiedades. Se puede usar para usarse y luego para predicciones.
Inicialmente, los investigadores esperaban hacer predicciones exitosas fácilmente. No esperaban hacer predicciones tan rápido.
“Pensamos que las cifras podrían ser mucho ruido”, dice. “Las propiedades que estábamos viendo no revelarían demasiado sobre las anormalidades remotas, o podría ser como si estas cosas extraordinarias solo parecieran que iban a suceder, cuando podría ser claro en el ojo humano. Pero nos sorprendió que tuviéramos mucho éxito”.
Para esto, sus modelos se estaban utilizando para probar las propiedades del grano con el tiempo antes de que sus modelos se volvieran anormales.
Él dice: “Una de las mejores formas de pensar en ser un grano extraordinario es pensar en cómo están listos antes de cambiar”. “Entonces, en 10 millones de medidas de tiempo antes de ser inusuales, por ejemplo, tienen algunas características que pueden variar en 40 millones de medidas de tiempo”.
El equipo adjuntó cada falso en el momento en que el grano se volvió anormal e hizo el trabajo atrasado mientras examinaba sus características producidas. Al identificar las tendencias permanentes en estas propiedades, pudieron predecir adecuadamente qué granos serían extraordinarios.
Él dice: “Si pasas cuánto tiempo das la transferencia de grano, puedes ver tendencias compartidas que son útiles para el pronóstico”.
En este proyecto, Chen y su equipo realizaron una imitación de contenido realista. El siguiente paso es implementar el punto de vista del contenido real y ver si aún pueden predecir el futuro. Chen dice que el objetivo final es identificar sustancias que sean extremadamente estables y que puedan mantener sus propiedades físicas bajo una amplia gama de altas temperaturas, condiciones de alto estrés. Dichos materiales pueden permitir que los motores y las piezas del motor funcionen a temperaturas más altas a temperaturas más altas antes de la falla.
Gracias a la capacidad de identificar síntomas de advertencia en sistemas complejos, el equipo también ve la capacidad de su nuevo método de aprendizaje automático para predecir y predecir otros eventos raros dentro y más allá del campo de la ciencia. Por ejemplo, potencialmente puede ayudar a causar cambios en la etapa en el material, causar patógenos peligrosos o predecir un cambio repentino en las condiciones ambientales.
“Este trabajo abre una nueva posibilidad interesante para que los científicos materiales ‘encuentren el futuro’ para predecir la evolución futura de la estructura material que nunca antes nunca fue posible”, dice el profesor de ciencia e ingeniería de materiales de la Fundación Alkova de Leh, Emirates, Emirates. Director de la Iniciativa de Investigación Presidencial de la interfaz Nano/Human; Y co -autor de papel. “Tendrá un gran impacto en el diseño de materiales confiables para las solicitudes de defensa, aeroespaciales y comerciales”.
