Menggabungkan teknologi dengan warna untuk menghindari kegagalan desain
Engine

Menggabungkan teknologi dengan warna untuk menghindari kegagalan desain


Dalam contoh yang ditunjukkan dengan Old Main – gedung administrasi utama Penn State di kampus University Park – algoritme peneliti mengambil gambar sederhana dari struktur mikro material dan mengembalikan saluran berwarna yang mewakili berbagai jenis potensi kegagalan dalam produk. Kredit: Pranav Milind Khanolkar

Berbagai paket perangkat lunak dapat digunakan untuk mengevaluasi produk dan memprediksi kegagalan; namun, paket ini sangat intensif secara komputasi dan membutuhkan banyak waktu untuk menghasilkan solusi. Solusi yang lebih cepat berarti hasil yang kurang akurat.

Untuk mengatasi masalah ini, tim peneliti Penn State mempelajari penggunaan pembelajaran mesin dan algoritma pewarnaan gambar untuk meringankan beban komputasi, menjaga akurasi, mengurangi waktu dan memprediksi medan regangan untuk material berpori. Mereka menerbitkan karyanya di Jurnal Ilmu Bahan Komputasi dengan presentasi dan prosiding yang menyertai di Procedia Engineering.

“Selalu ada sisi manusia dalam desain,” kata Chris McComb, asisten profesor desain teknik di Sekolah Desain Teknik, Teknologi, dan Program Profesional. “Ada produk yang berpotensi menyelamatkan nyawa yang memerlukan manufaktur aditif dan dapat membuat desain menjadi frustasi. Simulasi dan evaluasi ini membutuhkan waktu lama, jadi penting bagi kami untuk membantu mempercepat dan mempermudah pengiriman produk yang aman.”

Para penulis termasuk Pranav Milind Khanolkar, alumni master teknik industri musim semi 2020; Aaron Abraham, mahasiswa sarjana teknik industri; Saurabh Basu, asisten profesor teknik industri; dan McComb.

Sebagai bagian dari gelar masternya, Khanolkar menyelidiki penggunaan ABAQUS, perangkat lunak yang banyak digunakan untuk melakukan simulasi terperinci dalam pembuatan aditif. Menurut peneliti, perangkat lunak tersebut dapat menjadi masalah karena kecepatan dan tingkat kinerjanya bergantung pada kekuatan pemrosesan perangkat keras komputer.

Untuk mempercepat simulasi, tim menerapkan algoritme pembelajaran mesin untuk mengurangi penggunaan eksklusif analisis elemen hingga (FEA) yang menuntut komputasi. Dijelaskan oleh ABAQUS, FEA dapat memprediksi peristiwa retak, benturan, dan tabrakan dengan kegagalan material, serta dinamika, kontrol, dan perilaku gabungan suatu produk.

Algoritme pembelajaran mesin dapat digunakan untuk memprediksi sifat mekanik dan parameter material, yang cepat dan menggunakan daya komputasi yang lebih sedikit daripada FEA tradisional.

Khanolkar dan Abraham menggunakan ABAQUS untuk melakukan FEA berkualitas tinggi selama ratusan jam kerja dan ribuan sampel data pada simulasi komponen mekanis yang cacat. Mereka kemudian menggunakan sampel data ini untuk melatih algoritme pembelajaran mesin guna memperkirakan hasil FEA dan mempertahankan keakuratan tinggi hanya dalam waktu singkat.

Tim menerapkan algoritme pewarnaan gambar ke data struktur mikro material, dan algoritme yang digunakan ulang yang biasanya digunakan untuk menambahkan warna pada foto hitam-putih.

Dalam kasus asli, algoritme mengambil foto hitam-putih dan mengembalikan saluran merah, hijau, dan biru untuk versi baru yang berwarna. Dalam pekerjaan tim, algoritme mengambil gambar sederhana dari struktur mikro material dan saluran pengembalian yang mewakili berbagai jenis potensi kegagalan dalam produk.

“Cacat volumetrik dapat mempengaruhi kinerja suatu komponen dalam beberapa cara, jadi kunci untuk memahami efek ini selama proses desain suatu komponen,” kata Basu. “Ketika cacat mungkin tidak dapat dihindari, seperti pada komponen yang diproduksi secara aditif, pemahaman ini dapat membantu memutuskan bagaimana suatu desain dapat diubah untuk membuat kehadiran cacat dapat ditoleransi. Hal ini dapat dilakukan dengan menjalankan skenario desain yang berbeda dan pada akhirnya mengubah desain untuk mencapai hasil yang lebih baik. bagian yang bertanggung jawab secara struktural. Wawasan yang dihasilkan dari penelitian kami adalah langkah pertama menuju kerangka seperti itu. ”

Bagi Khanolkar, pekerjaan tersebut membantunya memahami teknik pembelajaran mesin secara mendalam, memberikan arahan untuk studi doktoralnya saat ini di bidang teknik mesin dan industri di Universitas Toronto.

“Menggunakan teknologi cerdas untuk membantu orang dan memberdayakan kreativitas dan empati mereka selama proses desain itu penting,” kata Khanolkar. “Algoritme ini membutuhkan banyak daya komputasi dan penggunaan kecerdasan buatan dalam makalah ini memungkinkan perancang menjadi lebih kreatif tanpa memengaruhi biaya produksi.”


Penelitian baru menunjukkan bahwa pembelajaran mesin dapat menghentikan siklus desain teknologi selama setahun


Informasi lebih lanjut:
Pranav Milind Khanolkar dkk. Menggunakan Pewarnaan Gambar Dalam untuk Memprediksi Bidang Strain Bergantung pada Mikrostruktur, Procedia Manufacturing (2020). DOI: 10.1016 / j.promfg.2020.05.138

Pranav Milind Khanolkar et al, Memprediksi bidang regangan elastis dalam mikrostruktur yang rusak menggunakan algoritma pewarnaan gambar, Ilmu Material Komputasi (2020). DOI: 10.1016 / j.commatsci.2020.110068

Disediakan oleh Pennsylvania State University

Kutipan: Menggabungkan teknologi dengan warna untuk menghindari kegagalan desain (2021, 21 Januari) diakses pada 24 Januari 2021 dari https://techxplore.com/news/2021-01-merging-technologies-failures.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Lagu togel