Исследователи из Университета Торонто совершили прорыв, объединив машинное обучение с нанотехнологиями для создания уникального материала, который может кардинально изменить такие отрасли, как аэрокосмическая и автомобильная. Изображение полной геометрии решетки сопоставлено с решеткой, состоящей из 18,75 миллионов ячеек, плавающей на пузыре
Долгие годы инженеры стремились создать материалы, которые одновременно были бы лёгкими и прочными. Это особенно важно для аэрокосмической отрасли, где снижение веса каждой детали напрямую влияет на экономию топлива и повышение производительности. Однако традиционные материалы, такие как алюминий и титан, имеют свои ограничения, а углеродное волокно, несмотря на его инновационность, также обладает недостатками.
В поиске нового подхода канадские учёные обратились к наноархитектурным материалам. Эти структуры на наноуровне повторяют природные формы, такие как кости или пчелиные соты, и сочетают в себе минимальный вес с максимальной прочностью. Основная проблема таких материалов заключается в том, чтобы разработать конструкции, которые равномерно распределяют нагрузку и предотвращают появление слабых мест, приводящих к разрушению.
Для решения этой задачи исследователи использовали байесовскую оптимизацию — метод машинного обучения, который помогает находить наиболее эффективные конструкции среди множества возможных вариантов. Алгоритм анализировал данные тысяч симуляций, чтобы выявить наиболее прочные и лёгкие формы для создания углеродных нанорешеток.Оптимизация с использованием машинного обучения для создания углеродных нанорешеток, которые одновременно обладают высокой прочностью и жесткостью при сжатии, но остаются легкими.
«Наноархитектурные материалы используют оптимальные геометрии, напоминающие треугольные конструкции мостов, но в наноразмере. Это позволяет достичь одних из самых высоких показателей прочности и жёсткости на единицу массы среди всех существующих материалов», — объясняет Питер Серлес, ведущий автор исследования.
«Однако у стандартных решеток часто возникают проблемы с острыми углами и пересечениями, что приводит к концентрации напряжений и разрушению. Именно здесь машинное обучение становится ключом к решению проблемы», — добавил он
Процесс разработки начался с того, что алгоритм сгенерировал тысячи возможных вариантов конструкций, каждая из которых была протестирована в виртуальной среде.
Источник
Источник новости: habr.com
