Inga produkter i varukorgen.
Ny AI-modell ska snabba på utvecklingen av nya material
AI
Att utveckla starka men lätta kompositmaterial är ofta en lång och kostsam procedur. I en ny avhandling vid Göteborgs universitet presenteras nu en ny AI-lösning som kan kapa ledtiderna dramatiskt – utan att kräva berg av träningsdata.
Foto: StockAdobe
När en ny produkt ska tas fram, oavsett om det är en innebandyklubba eller en vinge till ett vindkraftverk, 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.
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Kvalitetsmagasinet premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
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.
Traditionella neurala nätverk behöver enorma datamängder för att förutse hur två material beter sig när de blandas. Ghane har i stället utvecklat en generaliserad AI-modell som klarar sig på betydligt mindre information och som kan extrapolera – alltså dra slutsatser även om kombinationer modellen aldrig sett förut.
1. Data in: Forskaren matar in grunddata om de material som ska blandas.
2. Prognos ut: Modellen ger en snabb prognos för hållfasthet, vikt och långtidsegenskaper.
3. Iterera: Resultaten kan direkt användas för att justera receptet innan fysiska tester inleds.
Varje misslyckat försök i framställandet av material innebär att dyrbar tid och resurser går förlorade. Med den nya AI-modellen kan utvecklare skippa flera omgångar av trial-and-error, enligt Ghane.
– Men dessa nätverk behöver istället stora mängder träningsdata och har svårt att extrapolera resultat. Jag har utvecklat en generaliserad AI-modell som inte kräver lika mycket data, säger Ehsan Ghane.
Forskargruppen planerar samarbeten med industrin för att validera modellen i skarp produktion. På sikt kan samma teknik användas för att designa grönare, återvinningsbara kompositer – ett mål som blir allt viktigare när både EU och svenska företag skruvar upp sina hållbarhetskrav.
