Isaac Newton pode ter encontrado seu par.
Durante séculos, os engenheiros confiaram nas leis físicas – desenvolvidas por Newton e outros – para entender as tensões e deformações nos materiais com que trabalham. Mas resolver essas equações pode ser um trabalho árduo computacional, especialmente para materiais complexos.
Os pesquisadores do MIT desenvolveram uma técnica para determinar rapidamente certas propriedades de um material, como tensão e deformação, com base em uma imagem do material mostrando sua estrutura interna. A abordagem poderia um dia eliminar a necessidade de cálculos árduos baseados na física, em vez de depender da visão computacional e do aprendizado de máquina para gerar estimativas em tempo real.
Os pesquisadores afirmam que o avanço pode permitir uma prototipagem de projeto e inspeções de materiais mais rápidas. “É uma abordagem totalmente nova”, diz Zhenze Yang, acrescentando que o algoritmo “completa todo o processo sem nenhum conhecimento de domínio da física”.
A pesquisa aparece hoje na revista Science Advances. Yang é o autor principal do artigo e um Ph.D. estudante do Departamento de Ciência e Engenharia de Materiais. Os co-autores incluem o ex-pós-doutorado do MIT Chi-Hua Yu e Markus Buehler, o professor de engenharia da McAfee e o diretor do Laboratório de Mecânica Atomística e Molecular.
Os engenheiros passam muito tempo resolvendo equações. Eles ajudam a revelar as forças internas de um material, como tensão e deformação, que podem fazer com que o material se deforme ou se quebre. Esses cálculos podem sugerir como uma ponte proposta se comportaria em meio a cargas de tráfego pesado ou ventos fortes. Ao contrário de Sir Isaac, os engenheiros de hoje não precisam de papel e caneta para a tarefa. “Muitas gerações de matemáticos e engenheiros escreveram essas equações e descobriram como resolvê-las nos computadores”, diz Buehler. “Mas ainda é um problema difícil. É muito caro – pode levar dias, semanas ou até meses para executar algumas simulações. Então, pensamos: vamos ensinar uma IA a fazer esse problema para você.”
Os pesquisadores se voltaram para uma técnica de aprendizado de máquina chamada Rede Neural Adversarial Generativa. Eles treinaram a rede com milhares de imagens emparelhadas – uma retratando a microestrutura interna de um material sujeita a forças mecânicas e a outra retratando os valores de tensão e deformação codificados por cores desse mesmo material. Com esses exemplos, a rede usa princípios da teoria dos jogos para descobrir iterativamente as relações entre a geometria de um material e suas tensões resultantes.
“Portanto, a partir de uma imagem, o computador é capaz de prever todas essas forças: as deformações, as tensões e assim por diante”, diz Buehler. “Esse é realmente o grande avanço – da maneira convencional, você precisaria codificar as equações e pedir ao computador para resolver as equações diferenciais parciais. Vamos apenas passar de imagem em imagem.”
Essa abordagem baseada em imagem é especialmente vantajosa para materiais compostos complexos. As forças em um material podem operar de maneira diferente na escala atômica e na escala macroscópica. “Se você olhar para um avião, poderá ter cola, um metal e um polímero no meio. Portanto, você tem todas essas faces e escalas diferentes que determinam a solução”, disse Buehler. “Se você seguir o caminho mais difícil – o caminho de Newton – terá que percorrer um enorme desvio para chegar à resposta.”
Mas a rede do pesquisador é adepta de lidar com escalas múltiplas. Ele processa informações por meio de uma série de “convoluções”, que analisam as imagens em escalas cada vez maiores. “É por isso que essas redes neurais são ótimas para descrever propriedades de materiais”, diz Buehler.
A rede totalmente treinada teve um bom desempenho nos testes, reproduzindo com sucesso os valores de tensão e deformação em uma série de imagens em close-up da microestrutura de vários materiais compostos macios. A rede foi até capaz de capturar “singularidades”, como rachaduras se desenvolvendo em um material. Nesses casos, as forças e os campos mudam rapidamente em distâncias minúsculas. “Como cientista material, você gostaria de saber se o modelo pode recriar essas singularidades”, diz Buehler. “E a resposta é sim.”
O avanço poderia “reduzir significativamente as iterações necessárias para projetar produtos”, de acordo com Suvranu De, um engenheiro mecânico do Rensselaer Polytechnic Institute que não esteve envolvido na pesquisa. “A abordagem ponta a ponta proposta neste artigo terá um impacto significativo em uma variedade de aplicações de engenharia – de compósitos usados nas indústrias automotiva e aeronáutica a biomateriais naturais e de engenharia. Também terá aplicações significativas no reino dos puros investigação científica, visto que a força desempenha um papel crítico em uma gama surpreendentemente ampla de aplicações, desde micro / nanoeletrônica à migração e diferenciação de células. ”
Além de economizar tempo e dinheiro dos engenheiros, a nova técnica poderia dar aos não especialistas acesso a cálculos de materiais de última geração. Arquitetos ou designers de produto, por exemplo, podem testar a viabilidade de suas ideias antes de passar o projeto para uma equipe de engenharia. “Eles podem simplesmente desenhar sua proposta e descobrir”, diz Buehler. “Isso é um grande negócio.”
Depois de treinada, a rede funciona quase que instantaneamente em processadores de computador para o consumidor. Isso poderia permitir que mecânicos e inspetores diagnosticassem problemas potenciais com as máquinas simplesmente tirando uma foto.
No novo artigo, os pesquisadores trabalharam principalmente com materiais compostos que incluíam componentes macios e frágeis em uma variedade de arranjos geométricos aleatórios. Em trabalhos futuros, a equipe planeja usar uma gama mais ampla de tipos de materiais. “Eu realmente acho que esse método terá um grande impacto”, diz Buehler. “Capacitar engenheiros com IA é realmente o que estamos tentando fazer aqui.”
Publicado em 24/04/2021 09h51
Artigo original:
Estudo original: