โลหะผสมแมกนีเซียมมีการใช้งานที่หลากหลาย เนื่องจากมีอัตราส่วนความแข็งแรงต่อน้ำหนักที่ดีเยี่ยม ความหนาแน่นต่ำ และความเข้ากันได้ทางชีวภาพ แต่พวกมันมักจะแสดงพฤติกรรมทางกายภาพและเคมีของวัตถุ ที่เปลี่ยนแปลงแตกต่างกันไปในทิศทางต่าง ๆ หรือ anisotropic ซึ่งอาจส่งผลต่อความทนทานของมัน ขณะนี้ นักวิจัยได้พัฒนา machine learning-based model เพื่อทำนายพฤติกรรมการเสียรูปดังกล่าวได้อย่างแม่นยำพร้อมความน่าเชื่อถือที่ยอดเยี่ยม ผลการศึกษานี้สามารถช่วยในการออกแบบผลิตภัณฑ์โลหะผสมแมกนีเซียมที่มี anisotropic แบบพลาสติกที่ซับซ้อนได้
Magnesium alloys have a wide range of applications owing to their great strength-to-weight ratio, low density, and biocompatibility. But they often exhibit anisotropic deformation behavior, which can affect their durability. Now, researchers have developed a machine learning-based model for accurately predicting such deformation behaviors with excellent reliability. The results of this study can assist in the design of magnesium alloy products with complex plastic anisotropy.
นักวิจัยจากมหาวิทยาลัยแห่งชาติปูซานใช้ AI เพื่อไขความลับพฤติกรรม anisotropic ของโลหะผสมแมกนีเซียม
โลหะผสมแมกนีเซียมมีการใช้งานที่หลากหลาย เนื่องจากมีอัตราส่วนความแข็งแรงต่อน้ำหนักที่ดีเยี่ยม ความหนาแน่นต่ำ และความเข้ากันได้ทางชีวภาพ แต่พวกมันมักจะแสดงพฤติกรรมทางกายภาพและเคมีของวัตถุ ที่เปลี่ยนแปลงแตกต่างกันไปในทิศทางต่าง ๆ หรือ anisotropic ซึ่งอาจส่งผลต่อความทนทานของมัน ขณะนี้ นักวิจัยได้พัฒนา machine learning-based model เพื่อทำนายพฤติกรรมการเสียรูปดังกล่าวได้อย่างแม่นยำพร้อมความน่าเชื่อถือที่ยอดเยี่ยม ผลการศึกษานี้สามารถช่วยในการออกแบบผลิตภัณฑ์โลหะผสมแมกนีเซียมที่มี anisotropic แบบพลาสติกที่ซับซ้อนได้
โลหะผสมแมกนีเซียม (Mg) ถูกนำมาใช้อย่างแพร่หลายในการออกแบบชิ้นส่วนการบินและอวกาศและยานยนต์ เนื่องจากมีอัตราส่วนความแข็งแรงต่อน้ำหนักสูง ความเข้ากันได้ทางชีวภาพและความหนาแน่นต่ำยังทำให้โลหะผสมเหล่านี้เหมาะอย่างยิ่งสำหรับใช้ในอุปกรณ์ชีวการแพทย์และอิเล็กทรอนิกส์ อย่างไรก็ตาม เป็นที่ทราบกันว่าโลหะผสม Mg มีพฤติกรรม anisotropic แบบพลาสติก กล่าวอีกนัยหนึ่ง คุณสมบัติทางกลจะแตกต่างกันไปขึ้นอยู่กับทิศทางของโหลดที่ใช้ เพื่อให้แน่ใจว่าประสิทธิภาพของโลหะผสม Mg เหล่านี้ไม่ได้รับผลกระทบจากพฤติกรรม anisotropic นี้ จำเป็นต้องมีความเข้าใจที่ดีขึ้นเกี่ยวกับการเปลี่ยนรูปแบบ anisotropic และการพัฒนาโมเดลสำหรับการวิเคราะห์
จากรายงานของ Metal Design & Manufacturing (MEDEM) Lab โดย Associate Professor Taekyung Lee จากมหาวิทยาลัยแห่งชาติปูซาน สาธารณรัฐเกาหลี การเรียนรู้ของเครื่อง (machine learning – ML) อาจมีคำตอบสำหรับปัญหาการทำนายนี้ ในความก้าวหน้าครั้งล่าสุด ทีมงานได้เสนอแนวทางใหม่ที่เรียกว่า “Generative adversarial network (GAN) -aided gated recurrent unit (GRU)” โมเดลนี้มีความสามารถในการวิเคราะห์ข้อมูลที่มีประสิทธิภาพในการทำนายคุณลักษณะแบบพลาสติก plastic anisotropic properties ของ Mg alloys ที่ดัดขึ้นรูปได้อย่างแม่นยำ งานของพวกเขาได้รับการเผยแพร่ทางออนไลน์ใน the Journal of Magnesium and Alloys ฉบับวันที่ 16 มกราคม พ.ศ. 2567
“ในแง่ของความแม่นยำของการคาดการณ์ของ ML จากมุมมองของวิทยาศาสตร์ข้อมูล เราตระหนักดีว่ายังมีสิ่งที่ควรปรับปรุง ดังนั้น ไม่เหมือนกับวิธีการทำนายที่รายงานไว้ก่อนหน้านี้ เราได้พัฒนาโมเดล ML พร้อมการเพิ่มข้อมูลเพื่อให้ได้ความแม่นยำ รวมถึงความสามารถในการสรุปทั่วไปเกี่ยวกับโหมดการโหลดต่างๆ ในที่สุดสิ่งนี้ก็ได้เปิดช่องทางในการบูรณาการเข้ากับการวิเคราะห์ไฟไนต์เอลิเมนต์เพื่อแยกการประมาณค่าความเค้นที่แม่นยำของผลิตภัณฑ์ที่ทำจากโลหะผสมที่มี plastic anisotropy ที่มีนัยสำคัญ” ศาสตราจารย์ ลี กล่าว โดยอธิบายถึงแนวคิดหลักที่อยู่เบื้องหลังโมเดลใหม่ของพวกเขา
เพื่อสร้างโมเดลที่มีความแม่นยำเพิ่มขึ้น ทีมงานได้รวมโฟลว์กราฟทั้งหมด, GAN, การปรับแต่งไฮเปอร์พารามิเตอร์ที่ขับเคลื่อนด้วยอัลกอริทึม และสถาปัตยกรรม GRU ซึ่งเป็นกลยุทธ์หลักบางส่วนที่ใช้ในวิทยาศาสตร์ข้อมูล วิธีการใหม่นี้อำนวยความสะดวกในการเรียนรู้ข้อมูลเส้นโค้งการไหลทั้งหมด แทนที่จะจำกัดอยู่เพียงการฝึกอบรมเกี่ยวกับคุณสมบัติทางกลโดยสรุป เช่นเดียวกับรุ่นก่อนๆ หลายรุ่น
เพื่อทดสอบความน่าเชื่อถือของโมเดล GRU ที่ได้รับความช่วยเหลือจาก GAN ทีมงานได้ประเมินโมเดลดังกล่าวอย่างกว้างขวางภายใต้สถานการณ์คาดการณ์ ตั้งแต่การประมาณค่า การแก้ไข และความทนทาน ด้วยชุดข้อมูลที่มีขนาดจำกัด เมื่อทำการทดสอบ โมเดลจะประมาณพฤติกรรม anisotropic ของโลหะผสม ZK60 Mg สำหรับทิศทางการโหลดสามทิศทางและภายใต้เงื่อนไข annealing conditions 11 แบบ
จากการทดลองเหล่านี้ ทีมงานได้ค้นพบว่าโมเดลของพวกเขามีความทนทานและความสามารถในการใช้งานทั่วไปได้ดีกว่าโมเดลอื่นๆ ที่ได้รับการออกแบบมาเพื่อทำงานที่คล้ายคลึงกันอย่างมีนัยสำคัญ ประสิทธิภาพที่เหนือกว่านี้ส่วนใหญ่มาจากการเพิ่มข้อมูลที่ได้รับความช่วยเหลือจาก GAN และได้รับการสนับสนุนจากความสามารถในการคาดการณ์ที่ยอดเยี่ยมของสถาปัตยกรรม GRU และการเพิ่มประสิทธิภาพของไฮเปอร์พารามิเตอร์ ซึ่งเป็นพารามิเตอร์ที่มีค่าที่ใช้ในการควบคุมกระบวนการเรียนรู้
ดังนั้น การศึกษานี้จึงใช้การสร้างโมเดลเชิงคาดการณ์นอกเหนือจากโครงข่ายประสาทเทียม โดยแสดงให้เห็นถึงความสามารถของโมเดลที่ใช้ ML ในการประมาณพฤติกรรมการเปลี่ยนรูปแบบ anisotropic ของโลหะผสม Mg ที่ดัดขึ้นรูปได้สำเร็จ “ประสิทธิภาพโดยรวมและอายุการใช้งานของส่วนประกอบที่ทำจากโลหะผสม Mg ส่วนใหญ่ขึ้นอยู่กับพฤติกรรม plastic anisotropic ซึ่งทำให้การคาดการณ์และการจัดการการเสียรูปเป็นส่วนสำคัญของการออกแบบวัสดุ เราเชื่อว่าโมเดลนี้จะช่วยในการออกแบบและการผลิตผลิตภัณฑ์โลหะสำหรับการใช้งานต่างๆ” ศาสตราจารย์ลีสรุปในแง่ดี
เราหวังว่าการศึกษาที่ก้าวล้ำนี้ปูทางไปสู่นวัตกรรมอื่นๆ อีกมากมายในสาขาปัญญาประดิษฐ์ machine learning และ computational materials science!