AI kortar tiden för utveckling av nya material
Tidsödande testning och datorsimuleringar är flaskhalsar i designen av nya material. En avhandling från Göteborgs universitet tar sikte på att utveckla en AI-modell som på ett effektivt sätt kan bestämma hållbarheten och styrkan i vävda kompositmaterial.
Vare sig det är en innebandyklubba eller en vindkraftsvinge som ska konstrueras – ofta är det olika kompositmaterial som används. Komposit innebär att det är flera olika material, till exempel kolfiber och plaster, som blandas för att få fram den önskade avvägningen mellan olika egenskaper som vikt, hållbarhet och flexibilitet i produkten.
Att designa nya högkvalitativa kompositmaterial tar dock lång tid. Utvecklarna förlitar sig traditionellt på fysiska tester och detaljerade datorsimuleringar, där designen justeras efter varje (misslyckat) försök.
Kräver stora beräkningar
– 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.
Blandningen av material i en kompositväv är en utmaning. Forskarna kan ha god kunskap om enskilda materials hållfasthet och andra egenskaper, men vad som händer när de blandas i en kompositväv är svårare att förutse. Med datorer går det redan idag att utföra simuleringar av realistiska mikrostrukturer baserat på de ingående materialens samverkan och påverkan på flera olika skalor, från mikrostruktur till makrostruktur. Simuleringarna av vävda kompositmaterial kräver fortfarande stora beräkningsresurser.
– Det finns neurala nätverk, en särskild sorts AI-algoritmer, som fungerar som ett alternativ till de omfattande beräkningarna. Men dessa nätverk behöver stora mängder träningsdata och har svårt att extrapolera resultat, säger Ehsan Ghane. Jag har utvecklat en generaliserad AI-modell som inte kräver lika mycket data.
Integrerar materiallagar
Ehsan Ghanes modell för utveckling av hållbara kompositmaterial är publicerad och kan användas redan nu. Genom att mata in befintliga data, både från simuleringar och tester för de ingående materialen i kompositen så klarar modellen av att förutse det nya, kompositmaterialets hållbarhet.
– Dessutom har jag undersökt metoder för att direkt integrera materiallagar i AI-modellen. Detta möjliggör extrapolationer utanför de inmatade data som modellen tränats på. Det gör det också enklare att förstå i vilken ordning ett material deformeras, vilket kan vara viktigt om man vill förutser hur materialet uppför sig över tid, säger Ehsan Ghane.
Avhandlingen: “Learning from Data and Physics for Multiscale Modeling of Woven Composites”
Kontakt: Ehsan Ghane, doktorand på Institutionen för fysik vid Göteborgs universitet, telefon: 073-328 14 69, e-post: ehsan.ghane@physics.gu.se
Presskontakt: Telefon 076-618 69 70, e-post: press@science.gu.se