Разработка полимерных композиционных материалов с применением искусственного интеллекта

Введение

В течение многих лет разработка и поиск новых материалов были полностью эмпирическим. Техники и ремесленники развивали материалы с помощью экспериментов методом проб и ошибок. Это требовало много времени и других ресурсов, тем не менее, был сформирован первый подход: «эмпирический».

В 17 веке, после некоторых научных открытий, был разработан второй подход — «теоретический» основанный на моделях в форме математических уравнений, теоретических моделей и хорошо известных законов физики, химии и других наук, связанных с материалами. Но через несколько лет теоретические модели стали слишком сложными, и из-за технологических ограничений аналитические решения больше не были выполнимы, эти теории требовали большое количество времени и ресурсов.

Однако в 1950-х годах, с изобретением компьютеров, появился третий подход: «Вычислительный». Этот инструмент позволял моделировать сложные явления реального мира на основе теоретических моделей, которые были предложены во втором подходе, например, МКЭ (метод конечных элементов) и DFT (теория функционала плотности).

Три подхода демонстрируют эволюцию теории, эксперимента и вычислений почти во всех научных областях. В результате большого количества экспериментов и симуляций, которые проводились на протяжении многих лет, был сгенерирован большой объем данных, и это привело к появлению четвертого подхода: науки, основанной на больших данных. Этот подход, в свою очередь, способствовал развитию предыдущих, и сегодня они популярны как разделы теории, эксперимента и вычислений почти во всех научных областях.

В тоже время промышленные требования в различных секторах машиностроения, таких как гражданское строительство, аэронавтика, аэрокосмическая промышленность, автомобилестроение, военно-морской флот и передовое производство, возросли благодаря экспоненциальному технологическому прогрессу, соответствующему последней промышленной революции. Одной из важных областей, которая необходима во всех вышеупомянутых секторах машиностроения, является материаловедение и инженерия, поскольку она является основой для проектирования и производственных процессов. В этом контексте, как и в случае с промышленными революциями, материаловедение и инженерия развивалась на протяжении многих лет, расширяя знания в области материаловедения и ассимилируя инструменты промышленных революций [1–8].

В работе авторов [9] предложены следующие этапы изменения мира с развитием материаловедения и инженерии:

• Индустрия 1.0 — Материалы 1.0. Эпоха железа и стали;
  
• Индустрия 2.0 — Материалы 2.0. Систематическое исследование материалов (проходит через подход и систематического экспериментирования и тестирования);
  
• Индустрия 3.0 — Материалы 3.0. Вычислительное материаловедение;
  
• Индустрия 4.0 — Материалы 4.0. Большие данные, существующие для синтеза, обработки, моделирования, характеристики и свойств материалов.
  

Подводя итог, можно сказать, что «Материалы 4.0» — это результат знаний материаловедения и инженерии, основанных на двух основных инструментах Индустрии 4.0: больших данных и искусственном интеллекте.

Методы машинного обучения

В последние годы машинное обучение и глубокое обучение — обе области искусственного интеллекта — широко использовались в различных областях, от исследований до промышленности. Алгоритмы машинного обучения основаны на принципах биологических нейронных сетях, которые отвечают за обучение и идентификацию паттернов у людей.

Цель этих алгоритмов — учиться на собственном опыте, чтобы выполнить ту или иную задачу. Базовой единицей этих сетей является «нейрон». Эти «нейроны» взаимосвязаны, что означает, что выход одного «нейрона» служит входом для следующего. Каждое соединение имеет свой вес, и процесс обучения состоит в нахождении подходящих весов, которые приводят к желаемому результату на основе определенного входного значения. Если сеть соответствующим образом обучена, она выдаст правильный результат, даже если в качестве входных данных используются значения, с которыми она не была обучена.

Алгоритмы машинного обучения предоставляют системам возможность извлекать уроки из данных без явного программирования. Согласно ссылке [10] эти алгоритмы можно разделить следующим образом:

• Обучение с учителем;
  
• Обучение без учителя.
  

Обучение с учителем является наиболее широко используемым типом обучения, поскольку оно применяется, когда выходные данные уже известны (размеченные данные), что имеет место в процессах проектирования и производства. В зависимости от того, что требуется получить в качестве выходных данных, их можно разделить на регрессию (требуется число) и классификацию (требуется класс).

Обучение без учителя помогает находить структуру и закономерности в данных. Эти алгоритмы обучаются с использованием неразмеченных данных, одним из наиболее важных методов неконтролируемого обучения является кластеризация. Кластеризация позволяет группировать объекты, обладающие схожими характеристиками.

Согласно общепринятому разделению, глубокое обучение является подразделом машинного обучения, в данном случае используются нейронные сети. Искусственные нейронные сети — это вычислительные сети, которые пытаются имитировать процесс принятия решений в сетях нервных клеток [11]. Эти сети состоят из входного, скрытого и выходного слоев, где каждый слой представляет собой группу нейронов. Входной уровень представляет входные значения для сети; скрытые уровни вычисляют и передают информацию с входного уровня на выходной уровень; и, наконец, выходной уровень выдает результаты для заданных входных данных.

Глубокое обучение

Глубокое обучение является результатом совместных усилий многих ученых [12-16]. Оно выявляет и подчеркивает паттерны обучения или характеристики с помощью последовательного набора слоев, состоящих из простых элементов (нейронов), работающих параллельно.

Такой подход позволяет пользователям создавать сложные представления данных из простых представлений. Однако вначале это не имело большого значения, поскольку вычислительные мощности на данный момент были развиты не полностью. Только в 2011 году, после победы в конкурсе по классификации изображений с использованием глубоких нейронных сетей, обученных на графическом процессоре, глубокому обучению стало уделяться больше внимания.

Применение методов искусственного интеллекта в материаловедении и инженерии для ПКМ

Важный обзор 2003 года, в котором авторы [17] описали применении искусственной нейронной сети к ПКМ для систематических исследований параметров при оптимальном проектировании и прогнозировании свойств композиционных материалов для конкретных применений, таких как усталостная долговечность, трибологические свойства, комбинированное нагружение, динамические механические свойства и обработка, оптимизация. После этого, в 2006 году [18] опубликован обзор о моделировании механического поведения армированных волокнами ПКМ с использованием искусственных нейронных сетей, посвященный исследованиям в области вычислительных методов по девяти подтемам, связанным с эксплуатационными характеристиками материалов, такими как статическое поведение, усталостное поведение, динамические механические свойства, поведение при ползучести, расслоение, обнаружение трещин/повреждений, удар, трибологические свойства и вибрация.

Один из последних обзоров был опубликован группой авторов [19] в 2016 году, где обсуждаются механические характеристики труб из термореактивной смолы, армированных стекловолокном, оставляя в стороне применение алгоритмов искусственного интеллекта для целей оптимизации. В этом обзоре выделяются шесть тем: Анализ напряжений/деформаций, оценка отказов, экологические проблемы, вязкоупругое поведение и анализ ползучести, анализ усталости и анализ воздействия. Другой опубликованный [20] обзор отмечает использование больших объемов данных для поиска материалов и прогнозирования их свойств.

Эти работы были посвящены исследованиям применения искусственного интеллекта и других вычислительных методов для ПКМ во многих отраслях машиностроения.

Стоит отметить, что наибольшее количество научных публикаций о применении искусственного интеллекта при работе с ПКМ приходится на «эксплуатационные характеристикам» (54% от общего числа), за которыми следуют «свойства» (19%), «структура» (14%) и, наконец, «производство» (13%) [21].

При изучении эксплуатационных характеристик методы искусственного интеллекта применяются в основном при анализе отказов (расслаивании и мониторинг работоспособности конструкций) и анализа механизма повреждения. Методы испытаний являются важными инструментами для достижения комплексной оценки эксплуатационных характеристик материалов. В этом случае методы разрушающего и неразрушающего контроля используются более чем в 76% программных комплексов для оценки эксплуатационных свойств. Эти показатели необходимы для понимания того, что происходит в режиме реального времени для оценки или анализа механических характеристик ПКМ в условиях эксплуатации. Более того, в 86% программных комплексах используются методы машинного обучения и соответственно 51% искусственные нейронные сети. С другой стороны, только 14% программных комплексов используют методы глубокого обучения, при этом сверточные нейронные сети — 11% [21].

Для изучения свойств ПКМ методы искусственного интеллекта применяются в основном для прогнозирования теплопроводности и механических свойств (усталостных циклов и упругих свойств). Методы машинного обучения используются в 67% программных комплексов, а методы глубокого обучения — примерно в 33%. В этом случае преобладающее использование сверточных нейронных сетей — 33% [21].

В производстве ПКМ методы искусственного интеллекта применяются в основном в процессах укладки волокон, например, при укладке слоистого пластика. Методы машинного обучения используются в 78% программных комплексов, при этом в более чем 44% программных комплексов преобладает применение искусственных нейронных сетей. У 22% программных комплексов используются сверточные нейронные сети в качестве метода глубокого обучения [21].

Методы искусственного интеллекта при работе со структурами полимерных композиционных материалов применяются в основном для оптимизации проектирования конструкций, основанной на моделировании метода конечных элементов. Методы машинного обучения используются в 100% рассмотренных приложений, при этом искусственные нейронные сети являются наиболее важными алгоритмами с 40% от общего числа.

Существует много публикаций о применении методов искусственного интеллекта в композитах в зависимости от типа используемой в них матрицы: композиты с цементной матрицей [22], композиты с металлической матрицей [23], и композиты с полимерной матрицей [24]. В контексте четвертой промышленной революции применение ПКМ в различных отраслях машиностроения приобретает все большее значение.

На рисунке 1 показан рост интереса к теме применения искусственного интеллекта в области полимерных композиционных материалов. Соответственно, как было выше сказано данное направление связано с изменением в подходе материаловедения, благодаря накоплению данных о материалах и развитию вычислительных мощностей компьютерной техники.

Рисунок 1. Количество публикаций связанных с искусственным интеллектом в ПКМ [25]

Методы искусственного интеллекта — это не просто звено в материаловедении и инженерии, это инструменты, позволяющие оценивать, оптимизировать и обнаруживать различные материалы. Таким образом, предлагаемый подход материаловедения и инженерии для ПКМ ориентирован на искусственный интеллект, который подразумевает, что методы искусственного интеллекта воздействуют на все звенья (независимо от типа их взаимоотношений), ускоряют получение точных результатов.

На рисунке 2 представлена схема создания искусственного интеллекта для разработки ПКМ. В этой схеме достаточно трудоемкой и затратной частью является самый первый этап по созданию набора данных о составе материалов и их свойств, на котором будет происходить обучение искусственного интеллекта.

Рисунок 2. Схема разработки модели искусственного интеллекта для разработки ПКМ

В настоящее время исследовательские усилия больше сосредоточены на сокращении входных данных для моделей и оптимизации свойств материала на молекулярном уровне [26] и микроструктурном уровне [27]. К сожалению, эти достижения в области композитных материалов не происходят с такой же скоростью. Это может быть связано с высокой стоимостью их изготовления и присущей им сложностью механических испытаний для получения необходимых данных для обучения алгоритмов. Это обстоятельство объясняет пробел в литературе о разработке качественно новых полимерных композиционных с помощью искусственного интеллекта, которые бы учитывали состав олигомеров, количество функциональных групп, заместителей, разбавителей, полимерных наполнителей, состав аппрета на армирующем наполнителей и другие параметры, влияющие на формирование межфазного слоя и связанного с ним основных характеристик ПКМ.

Выводы

В проведенном обзоре литературы о применении методов искусственного интеллекта в качестве подхода материаловедения и инженерии полимерно-матричных композитов показано использование различных методов машинного обучения при работе с полимерными композиционными материалами.

Применение искусственного интеллекта при разработке полимерных композиционных материалов на сегодняшний день еще не задействовано, как отмечалось выше, из-за ресурсоемкости в подготовке материалов и их испытании для создания массива данных для обучения нейронной сети. Тем не менее, в обозримом будущем появление такого инструмента позволит создавать ПКМ с оптимальными свойствами для различных областей применения с меньшими затратами материальных и временных ресурсов.

Такое подход позволит сократить время на разработку ПКМ, при этом возможно дополнительно расширится перечень характеристик новых материалов, что позволит совершенствовать систему и получать в будущем материалы с качественно новыми свойствами.

Работа выполнена при поддержке ЦКП «Климатические испытания» НИЦ «Курчатовский институт» — ВИАМ.

Список литературы

1. Каблов Е.Н., Валуева М.И., Зеленина И.В., Хмельницкий В.В., Алексашин В.М. Углепластики на основе бензоксазиновых олигомеров - перспективные материалы // Труды ВИАМ: электрон. науч.-технич. журн., 2020. № 1 (85). С. 68-77. URL: //www. viam-works.ru (дата обращения 01.03.2023). DOI:10.18577/2307-6046-2020-0-1-68-77.
   
2. Каблов Е.Н. Материалы нового поколения и цифровые технологии их переработки// Вестник Российской академии наук. 2020. Т. 90. № 4. С. 331-334.
   
3. Каблов Е.Н. Становление отечественного космического материаловедения // Вестник РФФИ, 2017. № 3. С. 97-105.
   
4. Славин А.В., Донецкий К.И., Хрульков А.В. Перспективы применения полимерных композиционных материалов в авиационных конструкциях в 2025-2035г.г. (обзор) // Труды ВИАМ: электрон. науч.-технич. журн., 2022. № 11 (117). С. 81-92. URL: //www. viam-works.ru (дата обращения 05.04.2023). DOI:10.18577/2307-6046-2022-0-11-81-92.
   
5. Старцев В.О., Антипов В.В., Славин А.В., Горбовец М.А. Современные отечественные полимерные композиционные материалы для авиастроения (обзор) //Авиационные материалы и технологии: электрон. науч.-технич. журн., 2023. №2. Ст. 10. URL: www.journal.viam.ru (дата обращения 01.05.2023). DOI: 10.18577/2713-0193-2023-0-2-122-144.
   
6. Сорокин А.Е., Иванов М.С., Сагомонова В.А. Термопластичные полимерные композиционные материалы на основе полиэфирэфиркетонов различных производителей //Авиационные материалы и технологии: электрон. науч.-технич. журн., 2022. №1. Ст. 04. URL: www.journal.viam.ru (дата обращения 01.03.2023). DOI: 10.18577/2713-0193-2022-0-1-45-50.
   
7. Сидорина А.И. Мультиаксиальные углеродные ткани в изделиях авиационной техники (обзор) //Авиационные материалы и технологии: электрон. науч.-технич. журн., 2021. №3. Ст. 10. URL: www.journal.viam.ru (дата обращения 01.03.2023). DOI: 10.18577/2713-0193-2021-0-3-105-116.
   
8. Раскутин А.Е. Стратегия развития полимерных композиционных материалов // Авиационные материалы и технологии, 2017. №S. С. 344-348. URL: //www.journal.viam.ru (дата обращения 01.03.2023) DOI: 10.18577/2071-9140-2017-0-S-344-348.
   
9. Jose R. and Ramakrishna S., Materials 4.0: Materials big data enabled materials discovery // Applay Materials Today. 2018. Vol. 10. Pp. 127–132. DOI: 10.1016/j.apmt.2017.12.015
   
10. Stephen Marsland. Machine Learning: An Algorithmic Perspective, Second Edition (2nd. ed.), 2014. Chapman & Hall/CRC.
    
11. Graupe D., Principles of Artificial Neural Networks, Vol. 66. World Scientific Publishing Company URL: worldscientific.com (дата обращения 01.03.2023)
    
12. Hinton G. E., Osindero S., and The Y.-W., A fast learning algorithm for deep belief nets // Neural Computation. 2006. Vol. 18. No. 7, Pp. 1527–1554. DOI: 10.1162/neco.2006.18.7.1527
    
13. Bengio Y., Lamblin P., Popovici D., and Larochelle H. Greedy layer-wise training of deep networks // Advances Neural Information Processing Systems. 2007. Vol. 19. No. 1. Pp. 153-161. DOI: 10.7551/mitpress/7503.003.0024
    
14. Ranzato M., Boureau Y. L., and Cun Y. Le. Sparse feature learning for deep belief networks // Advances Neural Information Processing Systems. 2007. 20 – Proc. Conf., Pp. 1–8.
    
15. Е.И. Орешко, В.С. Ерасов, И.Г. Сибаев, А.Н. Луценко, П.В. Шершак Алгоритмы машинного обучения (обзор) Часть 1. Задачи классификации и регресии, линейные алгоритмы в машинном обучении. Применение алгоритмов машинного обучения для расчетов прочностных характеристик материалов //Авиационные материалы и технологии: электрон. науч.-технич. журн., 2022. №3. Ст. 12. URL: www.journal.viam.ru (дата обращения 01.05.2023). DOI: 10.18577/2713-0193-2022-0-3-130-146.
    
16. Е.И. Орешко, В.С. Ерасов, И.Г. Сибаев, А.Н. Луценко, П.В. Шершак Алгоритмы машинного обучения (обзор) Часть 2. Метрики машинного обучения. Решающие деревья и ансамбли решающих деревьев. Алгоритм нейронной сети по прогнозированию свойств ферритно-мартенситной стали //Авиационные материалы и технологии: электрон. науч.-технич. журн., 2022. №4. Ст. 12. URL: //www.journal.viam.ru (дата обращения 01.05.2023). DOI: 10.18577/2713-0193-2022-0-4-132-146.
    
17. Zhang Z. and Friedrich K. Artificial neural networks applied to polymer composites: A review // Composit Science Technology. 2003 Vol. 63. No. 14. Pp. 2029–2044. DOI: 10.1016/S0266-3538(03)00106-4
    
18. Kadi H. El. Modeling the mechanical behavior of fiber-reinforced polymeric composite materials using artificial neural networks: A review // Composite Structure. 2006. Vol. 73, No. 1. Pp. 1–23. DOI: 10.1016/j.compstruct.2005.01.020
    
19. Rafiee R. On the mechanical performance of glass-fibre-reinforced thermosetting-resin pipes: A review // Composite Structure. 2016. Vol. 143. Pp. 151–164. DOI: 10.1016/j.compstruct.2016.02.037.
    
20. Liu Y., Zhao T., Ju W. Materials discovery and design using machine learning. // Journal Materials.2017. Vol. 3. No. 3. Pp. 159–177. DOI: 10.1016/j.jmat.2017.08.002
    
21. Mantari J.L., Coronado A. A contemporary approach to the MSE paradigm powered by Artificial Intelligence from a review focused on Polymer Matrix Composites // Mechanics of Advanced materials and Structures. 2021. DOI: 10.1080/15376494.2021.1886379
    
22. Wang X. and Hu Z. Grid-based pavement crack analysis using deep learning. 2017 4th International Conference on Transportation Information and Safety, ICTIS 2017 - Proceedings, Banff, AB, Canada. 2017. Pp. 917–924, 2017. DOI: 10. 1109/ICTIS.2017.8047878.
    
23. Shabani M. O. and Mazahery A. Artificial Intelligence in numerical modeling of nano sized ceramic particulates reinforced metal matrix composites // Applied Mathematical Modeling. 2012. Vol. 36, No. 11, Pp. 5455–5465. DOI: 10.1016/j.apm.2011.12.059.
    
24. Ech-Choudany Y., Assarar M. Unsupervised clustering for building a learning database of acoustic emission signals to identify damage mechanisms in unidirectional laminates // Applied Acoustics. 2017. Vol. 123. Pp. 123–132. DOI: 10.1016/j.apacoust.2017.03.008
    
25. Sharmaa A., Mukhopadhyayb T. Advances in computational intelligence of polymer composite materials: Machine learning assisted modeling, analysis and design. 2021. DOI: 10.21203/rs.3.rs-471723/v1
    
26. Butler K. T., Davies D. W. Machine learning for molecular and materials science. // Nature. 2018. Vol. 559, No. 7715, Pp. 547–555. DOI: 10.1038/s41586-018-0337-2.
    
27. Liu R., Kumar A. A predictive machine learning approach for microstructure optimization and materials design. // Scientific Reports. 2015. Vol. 5. Pp. 11551–11512, 2015. DOI: 10.1038/srep11551