Koneoppimisen avulla voidaan ennustaa ja optimoida materiaalien muodonmuutosta

Tampereen teknillisen yliopiston ja Aalto-yliopiston tutkijat opettivat koneoppimisalgoritmeja ennustamaan, miten materiaalit venyvät. Tutkimus julkaistiin arvostetussa Nature Communications -lehdessä. Koneoppimisen soveltaminen avaa uusia uria fysiikassa. Mahdollisia sovelluksia löytyy myös uusien, optimaalisten materiaalien kehityksestä.
Machine Learning algorithm prediciting stress v strain

Monet arkipäiväiset makroskooppiset kappaleet venyvät ”tasaisesti”. Tällaista venymisprosessia on fysiikassa tapana kuvata sileällä voima-venymäkäyrällä, joka kertoo, kuinka paljon venyttävää voimaa tarvitaan tietyn venymän saavuttamiseksi. Viimeaikaiset kokeet ovat osoittaneet, että mikrometrien mittakaavassa tilanne on toinen: mikroskaalan kiteiden venymisprosessi koostuu tyypillisesti sarjasta diskreettejä venymäpurskeita, joilla on hyvin leveä kokojakauma. Koska purskeet ovat luonteeltaan satunnaisia, voivat näennäisesti samanlaiset mikroskaalan näytteet venyä hyvin eri tavoin. Niiden lujuusominaisuuksissa on siis suurta vaihtelua, mikä vaikeuttaa esimerkiksi materiaalien kehittämistä. Nyt Nature Communications -lehdessä julkaistussa Machine learning plastic deformation of crystals-artikkelissaan tutkijat ottavat koneoppimisen avuksi ennustaakseen yksittäisten näytteiden venymisprosessin ominaisuuksia.

"Koneoppimisalgoritmeilla onnistuttiin mittaamaan, kuinka ennustettava kiteisten aineiden venymisprosessi on. Tämä olisi ollut käytännössä mahdotonta perinteisin keinoin, mutta koneoppiminen mahdollisti uusien, mielenkiintoisten tulosten löytämisen", kertoo Associate Professor Lasse Laurson TTY:n fysiikan laboratoriosta.

Kiteisten aineiden palautumaton (plastinen) muodonmuutos syntyy, kun kiderakenteen viivamaiset hilavirheet eli dislokaatiot liikkuvat paikasta toiseen. Kiteisestä aineesta koostuvissa kappaleissa, kuten esimerkiksi monissa metalleissa tai jäässä, on lähes aina verkosto tällaisia dislokaatioita, kussakin kappaleessa omanlaisensa.

Tutkijat opettivat koneoppimisalgoritmeille yhteyden kappaleen dislokaatioista koostuvan mikrorakenteen ja näytteen voima-venymäkäyrän välillä. Tutkimuksessa selvisi muun muassa, että voima-venymäkäyrän ennustettavuus riippuu epämonotonisesti näytteen venymästä: Aluksi ennustettavuus huononee venymän kasvaessa, johtuen pitkälti venymäpurskeiden satunnaisesta luonteesta. Yllättäen ennustettavuus kuitenkin paranee venymän edelleen kasvaessa. Ennustettavuuteen liittyy myös kokoefekti: suurempien kiteiden deformaatioprosessin ennustaminen on helpompaa.

"Venymän kasvaessa purskeiden määrä vähenee ja näin ollen ennustettavuuskin paranee. Tämä on lupaavaa yksittäisten näytteiden myötörajojen ennustamisen kannalta, joka on erittäin keskeinen tavoite materiaalifysiikassa", sanoo Henri Salmenjoki, tohtorikoulutettava Aalto-yliopiston teknillisen fysiikan laitokselta. 

"Tutkimuksemme osoittaa, että koneoppimisen avulla voidaan ennustaa hyvinkin monimutkaisia ja epälineaarisia fysikaalisia prosesseja. Mahdollisia sovelluksia löytyy paitsi uusien, optimaalisten materiaalien kehityksestä, myös monien muiden monimutkaisten systeemien dynamiikan ennustamisesta", Laurson kertoo.

Nyt julkaistussa tutkimuksessa oli mukana myös professori Mikko Alava Aalto-yliopistosta. Tutkimukseen saatiin rahoitusta Suomen Akatemialta.

Tutustu tutkimukseen Nature Communications -julkaisussa.

Lisätiedot: 

Associate Professor (tenure track), akatemiatutkija Lasse Laurson, TTY:n fysiikan laboratorio, [email protected]
Tohtorikoulutettava Henri Salmenjoki, Aalto-yliopiston teknillisen fysiikan laitos, [email protected]

Lisää tästä aiheesta

Hoitolaitteen testausta laitteen kehityksestä vastaavan insinöörin Ossi Kaikkosen toimesta. Kuva: Matti Ahlgren.
Tiedotteet Julkaistu:

Uusi laserterapia pyrkii pysäyttämään silmänpohjan ikärappeuman etenemisen

Maculaser-lämmityshoito perustuu silmänpohjan pigmenttiepiteelin eli pigmenttisolukerroksen lämmittämiseen lähi-infrapunalaserilla ja tarkkaan lämpötilan kontrolliin hoidon aikana. Tavoitteena on silmänpohjan ikärappeuman yksilöity, turvallinen ja tehokas hoito.
Modern heavy metal conference. Photo: Mikko Raskinen / Aalto University
Tiedotteet, Tutkimus ja taide Julkaistu:

Hevitutkijat, musiikkiteollisuuden edustajat ja artistit kohtaavat ensi kertaa Otaniemessä

Modern Heavy Metal -konferenssissa pohditaan musiikin, artistien ja kulttuurin autenttisuutta ja kaupallista houkuttelevuutta.
Decarbonize Design
Tiedotteet, Opinnot Julkaistu:

Aalto-yliopiston ja Yalen arkkitehtuurin laitosten avoin verkkokoulutusmateriaali vauhdittaa vähähiilistä rakentamista

Aalto-yliopiston ja yhdysvaltalaisen huippuyliopisto Yalen arkkitehtuurin laitokset ovat yhteistyössä julkaisseet avoimen ja ilmaisen Decarbonize Design -kurssikokonaisuuden. Hanke julkistettiin osana World Circular Economy Forum -tapahtumaa.
Ice rubbling
Tiedotteet, Tutkimus ja taide Julkaistu:

Uusi menetelmä ennustaa, miten liikkuva jää koettelee vuosisatojen aikana siltoja ja tuulivoimaloita

Aalto-yliopiston tutkijoiden kehittämillä simulaatioilla voidaan arvioida arktisen jään synnyttämää kuormitusta tulevaisuuden jääolosuhteissa.
  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu