도구는 사진을 기반으로 재료의 응력 및 변형률을 계산합니다.

연구원들은 내부 구조를 보여주는 재료의 이미지를 기반으로 응력 및 변형률과 같은 재료의 특정 속성을 빠르게 결정하는 기술을 개발했습니다. 이 접근 방식은 언젠가 물리학 기반 계산의 필요성을 제거하는 대신 컴퓨터 비전과 기계 학습에 의존하여 실시간으로 추정치를 생성할 수 있습니다. 이러한 발전은 더 빠른 설계 프로토타이핑과 재료 검사를 가능하게 할 것입니다.

계산을 통해 재료가 변형되거나 파손될 수 있는 응력 및 변형과 같은 재료의 내부 힘을 파악할 수 있습니다. 이러한 계산은 제안된 교량이 교통량이 많거나 강한 바람이 부는 상황에서 버틸 수 있는 방법을 제안할 수 있습니다. 연구원들은 기계적인 힘을 받는 재료의 내부 미세 구조를 묘사하는 이미지와 동일한 재료의 색상으로 구분된 응력 및 변형 값을 묘사하는 수천 개의 쌍 이미지로 훈련된 생성 적대 신경망(Generative Adversarial Neural Network)이라는 기계 학습 기술을 사용했습니다. 이러한 예에서 네트워크는 게임 이론의 원리를 사용하여 재료의 기하학과 결과 응력 간의 관계를 반복적으로 파악합니다.

이미지 기반 접근 방식은 복잡한 복합 재료에 특히 유리합니다. 물질에 작용하는 힘은 원자 규모와 거시적 규모에서 다르게 작용할 수 있습니다.

그러나 연구원의 네트워크는 여러 척도를 다루는 데 능숙합니다. 이미지를 점진적으로 더 큰 규모로 분석하는 일련의 "컨볼루션"을 통해 정보를 처리합니다.

완전히 훈련된 네트워크는 다양한 연질 복합 재료의 미세 구조에 대한 일련의 클로즈업 이미지가 주어지면 응력 및 변형률 값을 성공적으로 렌더링했습니다. 네트워크는 재료에서 발생하는 균열과 같은 "특이점"도 포착할 수 있었습니다. 이러한 경우 힘과 장은 아주 작은 거리에서 빠르게 변합니다.

이러한 발전은 제품을 설계하는 데 필요한 반복 작업을 크게 줄일 수 있습니다. 종단 간 접근 방식은 자동차 및 항공기 산업에서 사용되는 복합 재료에서 천연 및 공학 생체 재료에 이르기까지 다양한 엔지니어링 응용 분야에 상당한 영향을 미칠 수 있습니다.

엔지니어의 시간과 비용을 절약할 수 있을 뿐만 아니라 새로운 기술을 통해 전문가가 아닌 사람도 최신 재료 계산에 액세스할 수 있습니다. 예를 들어 제품 디자이너는 프로젝트를 엔지니어링 팀에 전달하기 전에 아이디어의 실행 가능성을 테스트할 수 있습니다.

일단 훈련되면 네트워크는 소비자 등급 컴퓨터 프로세서에서 거의 즉시 실행됩니다. 이를 통해 기계공과 검사관은 사진을 찍는 것만으로 기계의 잠재적인 문제를 진단할 수 있습니다.

연구원들은 주로 다양한 무작위 기하학적 배열에 연성 및 취성 구성 요소를 모두 포함하는 복합 재료로 작업했습니다. 향후 작업에서는 더 다양한 재료 유형을 사용할 계획입니다.