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.
![](http://oneman.company/wp-content/uploads/2024/02/IMG_3362.jpeg)
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!