Исследователи используют машинное обучение для проектирования усовершенствованных решетчатых структур

Решетчатые структуры, характеризующиеся сложными узорами и иерархической структурой, обладают огромным потенциалом для революции в различных отраслях промышленности, от аэрокосмической до биомедицинской инженерии, благодаря своей универсальности и возможности настройки. Однако сложность этих структур и обширное пространство для проектирования, которое они охватывают, создают серьезные препятствия для инженеров и ученых, а традиционные методы исследования и оптимизации конструкции часто оказываются недостаточными, когда они сталкиваются с возможностями масштабирования, предлагаемыми ландшафтом решетчатого проектирования.

Ученые и инженеры Ливерморской национальной лаборатории имени Лоуренса (LLNL) стремятся решить эти давние проблемы путем интеграции машинного обучения (МО) и искусственного интеллекта для ускорения проектирования ферменных конструкций 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, основанные на машинном обучении, с традиционными вычислительными методами в надежде открыть новую эру в проектировании сетей. Используя возможности алгоритмов машинного обучения, исследователи получают возможность прогнозировать механические характеристики, оптимизировать параметры проектирования и ускорять процесс вычислительного проектирования сетей, которые имеют миллионы потенциальных вариантов проектирования.

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

«Эта работа продвигает область дизайна, поскольку демонстрирует жизнеспособный способ интеграции итеративных подходов на основе машинного обучения в рабочий процесс проектирования и подчеркивает важную роль, которую машинное обучение и искусственный интеллект (ИИ) могут играть в ускорении процессов проектирования. »

В основе этого нового исследования лежит разработка суррогатных моделей на основе машинного обучения, которые служат виртуальными прототипами для изучения механического поведения решетчатых структур. Эти суррогатные модели, обученные на большом количестве данных, включающих различные семейства решеток и переменные геометрического дизайна, демонстрируют замечательные прогностические возможности и могут предоставить ценную информацию о параметрах конструкции, а также роли геометрии и конструкции в механических характеристиках с точностью более 95%, сказал Гонгора. .

Кроме того, по его словам, включив в цикл проектирования подходы, основанные на машинном обучении, команда продемонстрировала, что оптимальное проектирование можно ускорить, исследуя менее 1% размера теоретического пространства проектирования.

Чтобы эффективно ориентироваться в обширном пространстве возможностей сетевого проектирования, исследователи обратились к таким подходам, как байесовская оптимизация — сложная форма активного обучения. По словам исследователей, благодаря разумному выбору и последовательной оценке проектов байесовская оптимизация упрощает процесс исследования, сокращая в пять раз количество симуляций, необходимых для поиска успешных проектов, и позволяет с необычайной скоростью идентифицировать успешные конфигурации сети.

По словам исследователей, этот подход не только уменьшает количество симуляций, необходимых для поиска новых конструкций, но также сводит к минимуму вычислительную нагрузку, связанную с исчерпывающим поиском конструкций.

Команда также использовала анализ аддитивного объяснения Шепли (SHAP) — метод, используемый для понимания того, как различные факторы или переменные способствуют определенному результату или прогнозу в модели, — чтобы интерпретировать влияние отдельных переменных дизайна на производительность. Анализируя вклад каждого параметра в общее механическое поведение, исследователи заявили, что могут получить более глубокое понимание сложных взаимосвязей в пространстве проектирования.

Исследователи заявили, что исследование устанавливает новый стандарт для систем интеллектуального проектирования и что сочетание компьютерного моделирования, алгоритмов машинного обучения и передовых методов оптимизации представляет собой шаг вперед в инженерных возможностях, которые могут улучшить характеристики аэрокосмических компонентов и произвести революцию в области современных материалов.

Гонгора назвал эту работу «решающим достижением в демонстрации разнообразных способов, с помощью которых ИИ может играть важную и полезную роль в материаловедении и производстве», причем влияние выходит далеко за рамки структур в решетчатых конструкциях.

По словам исследователей, хотя исследование сосредоточено на механическом проектировании, этот подход может быть применен к различным задачам проектирования, требующим дорогостоящего моделирования. Учитывая опыт мирового класса LLNL в аддитивном производстве, Гонгора сказал, что различные решетчатые структуры могут быть физически изготовлены, протестированы и использованы в кросс-функциональных приложениях, охватывающих области задач лаборатории.

«Мы предполагаем, что наши исследования будут широко применяться в рабочих процессах, основанных на дорогостоящем моделировании», — сказал Гонгора. «Эти суррогатные модели на основе машинного обучения могут иметь важное значение в многомасштабных задачах проектирования, которые полагаются на один или несколько дорогих симуляторов. Кроме того, мы предполагаем, что наши исследования будут использоваться для ускорения задач параметрической оптимизации проектирования, когда ученый, инженер или дизайнер должен учитывать большое количество параметров проектирования, охватывающих как структуру, так и материалы.

«Благодаря ускорению процесса вычислительного проектирования можно разумно выбирать интересные и инновационные конструкции для экспериментальных испытаний. Это создает для ученых множество возможностей использовать инструменты МО в своих исследованиях и проектировании научных задач. »

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