Yeni ANN Tabanlı Yaklaşımı ile DMA Sonuçlarından Malzeme Özelliklerini Tahmin Etmek Mümkün
Fotoğraf: Mekanik ve havacılık mühendisliği doçenti Nikhil Gupta’nın araştırması, geleneksel dinamik mekanik analiz (DMA) ‘ı yapay sinir ağları ile birleştirerek maliyeti düşürmeyi ve malzeme testinin etkinliğini artırmayı vaat ediyor. (Görüntü: New York Üniversitesi)
NYU Tandon School of Engineering’deki araştırmacılar, tek bir örnekten elde edilen verilerden ekstrapolasyon yapabilen yapay sinir ağlarını (ANN) kullanan bir makine öğrenme sistemi geliştirdiler, böylece teorik grafenle geliştirilmiş ileri kompozitler üzerinde analitik olarak hızlıca formüle edildi ve sundu.
NYU Tandon’ta mekanik ve havacılık mühendisliği profesörü olan Nikhil Gupta başkanlığındaki araştırmada doktora öğrencisi Xianbo Xu ve 2D grafen malzeme üreticisi GrapheneCa’daki ortak çalışanlar “Advanced Theory and Simulations” dergisinin iç kapağında yer alacak olan “Dinamik Mekanik Analizden Elastik Modülü Tahmin Etmek İçin Yapay Sinir Ağı Yaklaşımı” açıklandı.
Dinamik mekanik analiz (DMA) ve çekme testleri, malzemelerin çeşitli yükleme hızlarında ve sıcaklıklarda viskoelastik özelliklerini karakterize etmek için yaygın olarak kullanılır. Bununla birlikte, bunun için çok sayıda örnek içeren ayrıntılı bir deneysel süreç gereklidir.
Tandon ekibi, bir model inşa eden ANN tabanlı bir teknik geliştirerek bu süreci atlamak için bir yaklaşım buldu ve daha sonra diğer herhangi bir basınç ve sıcaklık kombinasyonuna yanıtını tahmin etmek için DMA’dan – bir malzemenin belirli bir sıcaklığa ve yükleme frekansına tepkisinin bir testi (döngülerde uygulanan yükün bir ölçüsü)- veri sunuyor. Gupta, ANN’nin, numunelerin çeşitli koşullar altında enerjiyi saklama ve dağıtma kabiliyetini ölçtüğünü belirtti.
“Malzemelerin ürün geliştirme döngüsü boyunca farklı koşullar altında test edilmesi, çok sayıda uygulama için kompozit oluşturmaya çalışan üreticiler için büyük bir maliyettir. Bu sistem bir test yapmamızı ve ardından diğer koşullar altındaki özellikleri tahmin etmemizi sağlar. Bu nedenle, gereken deney miktarını önemli ölçüde azaltır. Nanokompozitlerin özelliklerini tahmin etmek için yapay bir sinir ağı yaklaşımı kullanmak, malzeme ve uygulama geliştirmeye rehberlik edebileceği ve zaman içindeki maliyeti azaltabileceği bir yaklaşım geliştirmeye yardımcı olabilir.”
Nikhil Gupta, Doçent, Mekanik ve Havacılık Mühendisliği, NYU.
“NYU Tandon’un Makine ve Havacılık ve Uzay Mühendisliği Bölümü’ndeki araştırmacılarla birlikte çalışarak, termoset nanokompozitlerin çok çeşitli sıcaklık ve yükleme oranları üzerindeki davranışını tahmin etmek için yeni bir yöntem geliştirdik. Ayrıca, aynı yaklaşım, termoplastik malzemelerin davranışını tahmin etmek için potansiyel olarak uygulanabilir. Bu, gelişmiş kompozit üretime yönelik kritik bir adımdır.”
Sergey Voskresensky, Araştırma ve Geliştirme Başkanı, New York Üretim Tesisi, GrapheneCa.
Kaynak : azom.com
