Testning och datorsimuleringar som tar lång tid är en utmaning när man designar nya material. En ny AI-modell kan hjälpa till att utveckla nya hållbara material snabbare.
När en ny produkt ska tas fram, oavsett om det är en innebandyklubba eller en vinge till ett vindkraftverk, så är det ofta så kallade kompositmaterial som används. Komposit innebär att det är flera olika material som blandas för att få fram de önskade egenskaperna som vikt, hållbarhet och flexibilitet i produkten.
Att designa nya kompositmaterial av hög kvalitet tar dock lång tid. Ofta genomförs både fysiska tester och detaljerade datorsimuleringar, och designen justeras efter varje misslyckat försök.
– Detta är särskilt svårt när kompositen skapas som ett vävt material, där fibrerna läggs om varandra och beter sig olika beroende på vilka krafter materialet utsätts för, säger Ehsan Ghane, doktorand på Institutionen för fysik vid Göteborgs universitet, i ett pressmeddelande.
Nu har han har tagit fram en ny AI-modell som kan göra det snabbare att ta fram nya material.
AI-modellen kräver mindre data
Det finns en utmaning för forskare när de blandar material. Även om man känner till vilka egenskaper de enskilda materialen har så är det svårt att förutse vad som kommer att hända när de blandas.
Redan i dag kan datorer utföra simuleringar för att försöka förutse de nya egenskaperna, men det kräver stora resurser till beräkningar. Ett alternativ till de omfattande beräkningarna är neutrala nätverk, en sorts AI-algoritmer.
– Men dessa nätverk behöver istället stora mängder träningsdata och har svårt att extrapolera resultat (dra slutsatser utanför vad de redan känner till, reds. anm.). Jag har utvecklat en generaliserad AI-modell som inte kräver lika mycket data, säger Ehsan Ghane.
AI-modellen är redo att användas redan nu. Genom att mata in befintlig information om de material som ska ingå i kompositen så kan modellen förutse det nya kompositmaterialets hållbarhet.
Modellen kan också hjälpa till att förutse hur det nya materialet kommer att förändras och bete sig över tid.
Avhandling:
Learning from Data and Physics for Multiscale Modeling of Woven Composites, Göteborgs universitet.
