Gli scienziati del MIT hanno sviluppato un metodo che potrebbe fornire informazioni dettagliate su strutture interne, vuoti e crepe, basandosi esclusivamente sui dati delle condizioni esterne.
Capire cosa sta succedendo all’interno di un materiale osservando semplicemente le proprietà della sua superficie. Questa la scommessa di un gruppo di ricercatori del MIT che ha usato un tipo di apprendimento automatico, chiamato deep learning (apprendimento profondo) per confrontare un ampio set di dati simulati sui campi di forza esterni dei materiali e la corrispondente struttura interna, generando un sistema in grado di effettuare previsioni affidabili dell’interno della superficie.
La tecnica prevede l’addestramento di un modello di intelligenza artificiale mediante grandi quantità di dati sulle misurazioni della superficie e sulle proprietà interne ad esse associate, includendo non solo materiali uniformi ma anche elementi diversi in combinazione.
Universale
Secondo i ricercatori il metodo è ampiamente applicabile. «Non si limita solo ai problemi di meccanica solida, ma può anche essere usato in diverse discipline ingegneristiche, come la fluidodinamica e altri tipi», spiega il dottorando Zhenze Yang. Inoltre, può essere applicato per determinare un’ampia varietà di proprietà, non solo stress e deformazione, ma campi fluidi o campi magnetici, per esempio i campi magnetici all’interno di un reattore a fusione.
I dati di addestramento includono immagini delle superfici, ma anche vari altri tipi di misurazioni delle proprietà delle superfici, comprese sollecitazioni e campi elettrici e magnetici.
Come esempio di utilizzo, il Prof. Markus Buehler sottolinea che oggi gli aeroplani vengono spesso ispezionati testando alcune aree rappresentative con metodi costosi come i raggi X, perché sarebbe poco pratico testare l’intero: «Il nostro approccio fornisce un modo economico di raccogliere dati e fare previsioni che permette di prendere decisioni su dove vuoi guardare e magari utilizzare attrezzature più costose solo per i test».
Disponibile gratuitamente attraverso il sito GitHub, nell’immediato il metodo potrà essere applicato principalmente in ambienti di laboratorio, per esempio nei materiali di prova utilizzati nei progetti di robotica morbida.
