Исследователи используют машинное обучение для проектирования сложных решетчатых структур

Решетчатые структуры, характеризующиеся сложными узорами и иерархическими конструкциями, обладают огромным потенциалом для революционных преобразований в различных отраслях промышленности, от аэрокосмической до биомедицинской инженерии, благодаря своей универсальности и настраиваемости. Однако сложность этих структур и обширное пространство дизайна, которое они охватывают, создали значительные препятствия для инженеров и ученых, а традиционные методы исследования и оптимизации дизайна часто оказываются неэффективными, когда сталкиваются с огромными возможностями в ландшафте решетчатого дизайна.

Ученые и инженеры Ливерморской национальной лаборатории имени Лоуренса (LLNL) стремятся решить эти давние проблемы путем внедрения машинного обучения (МО) и искусственного интеллекта для ускорения проектирования решетчатых структур с такими свойствами, как малый вес и высокая прочность, которые можно оптимизировать с беспрецедентной скоростью и эффективностью.

В недавнем исследовании опубликовано к Научные отчетыИсследователи LLNL объединили подходы на основе МО с традиционными вычислительными методами в надежде открыть новую эру в проектировании решеток. Используя мощь алгоритмов МО, исследователи открывают возможность прогнозировать механические характеристики, оптимизировать переменные проектирования и ускорять процесс вычислительного проектирования для решеток, которые обладают миллионами потенциальных вариантов проектирования.

«Используя подходы, основанные на машинном обучении, в рабочем процессе проектирования, мы можем ускорить процесс проектирования, чтобы по-настоящему использовать свободу проектирования, предоставляемую решетчатыми структурами, и воспользоваться их разнообразными механическими свойствами», — сказал ведущий автор и инженер LLNL Алдаир Гонгора.

«Эта работа продвигает вперед сферу дизайна, поскольку она демонстрирует жизнеспособный способ интеграции итеративных подходов на основе МО в рабочий процесс проектирования и подчеркивает важную роль, которую МО и искусственный интеллект (ИИ) могут играть в ускорении процессов проектирования».

В основе этого нового исследования лежит разработка суррогатных моделей на основе МО, которые служат виртуальными прототипами для изучения механического поведения решетчатых структур. Эти суррогатные модели, обученные на обширном массиве данных, включающем различные семейства решеток и геометрические переменные проектирования, демонстрируют замечательные предсказательные возможности и могут предоставить бесценные сведения о параметрах проектирования и роли геометрии и структуры в механических характеристиках с точностью, превышающей 95%, сказал Гонгора.

По его словам, кроме того, включив в цикл проектирования подходы на основе МО, команда продемонстрировала, что оптимальные проекты можно ускорить, исследуя менее 1% теоретического размера пространства проектирования.

Чтобы эффективно ориентироваться в обширном ландшафте возможностей дизайна решеток, исследователи обратились к таким подходам, как байесовская оптимизация, сложная форма активного обучения. Благодаря разумному выбору и оценке проектов последовательным образом байесовская оптимизация оптимизирует процесс исследования, сокращая количество симуляций, необходимых для поиска высокопроизводительных проектов, в пять раз, и может определять высокопроизводительные конфигурации решеток с необычайной скоростью, говорят исследователи.

Исследователи утверждают, что такой подход не только сокращает количество симуляций, необходимых для поиска новых конструкций, но и минимизирует вычислительную нагрузку, связанную с исчерпывающим поиском конструкций.

Команда также использовала анализ Shapley add Explain (SHAP) — метод, используемый для понимания того, как различные факторы или переменные вносят вклад в конкретный результат или прогноз в модели, — чтобы интерпретировать влияние отдельных переменных дизайна на производительность. Анализируя вклад каждого параметра в общее механическое поведение, исследователи заявили, что они могут получить более глубокое понимание сложных взаимосвязей в пространстве дизайна.

Исследователи заявили, что исследование устанавливает новый стандарт для систем интеллектуального проектирования, а объединение вычислительного моделирования, алгоритмов МО и передовых методов оптимизации представляет собой скачок вперед в инженерных возможностях, который может улучшить характеристики компонентов аэрокосмической техники и произвести революцию в области современных материалов.

Гонгора назвал эту работу «важнейшим достижением в демонстрации различных способов, которыми ИИ может играть важную и полезную роль в материаловедении и производстве», при этом ее влияние выходит далеко за рамки сферы решетчатых структур.

Хотя статья фокусируется на механическом проектировании, подход может быть применен к различным задачам проектирования, которые опираются на дорогостоящее моделирование, говорят исследователи. Учитывая мировой опыт LLNL в аддитивном производстве, Гонгора сказал, что различные решетчатые структуры могут быть физически изготовлены, испытаны и использованы в сквозных приложениях, которые охватывают области миссии Лаборатории.

«Мы представляем, что наши исследования будут широко внедрены в рабочие процессы, которые опираются на дорогостоящее моделирование», — сказал Гонгора. «Эти суррогатные модели на основе МО могут иметь решающее значение в многомасштабных задачах проектирования, которые опираются на один или несколько дорогостоящих симуляторов. Кроме того, мы представляем, что наши исследования будут использоваться для ускорения задач параметрической оптимизации проектирования, когда ученый, инженер или проектировщик должен учитывать огромное количество параметров проектирования, которые охватывают как структуру, так и материалы.

«Ускоряя процесс вычислительного проектирования, можно разумно отбирать интересные и новые проекты для экспериментального тестирования. Это создает многочисленные возможности для ученых использовать инструменты МО в своих исследовательских и проектных задачах в науке».

Соавторами LLNL были Калеб Фридман, Дейрдре Ньютон, Тимоти Йи, Закари Дооренбос, Брайан Гиера, Эрик Дуосс, Томас Й.-Дж. Хан, Кайл Салливан и Дженнифер Родригес.