Koneälyn käyttö materiaalitekniikassa

Abstract

Korkean entropian metalliseokset ovat herättäneet laajaa kiinnostusta viime vuosina niiden potentiaalin vuoksi materiaalitekniikan sovelluksissa. Näiden seosten ainutlaatuiset mekaaniset ja termodynaamiset ominaisuudet tarjoavat mahdollisuuden kehittää kestävämpiä ja tehokkaampia materiaaleja erilaisiin teknologisiin sovelluksiin. Kuitenkin näiden monimutkaisten materiaalien suunnitteluun liittyy haasteita, joita perinteiset menetelmät eivät pysty ratkaisemaan tehokkaasti. Siksi koneälyn käyttö materiaalien suunnittelussa on noussut esiin lupaavana lähestymistapana, jonka avulla voidaan käsitellä suurta datamäärää ja tunnistaa monimutkaisia rakenteita ja yhteyksiä, joita perinteiset menetelmät eivät pysty havaitsemaan.

Tämän työn tavoitteena oli tutkia koneälyn, erityisesti syväoppimisen, soveltuvuutta materiaalitekniikan haasteisiin. Syväoppimisen soveltuvuutta tarkasteltiin monesta näkökulmasta. Työssä käytiin läpi korkean entropian metalliseosten faasinmuodostumisen, mikrorakenteen ja ominaisuuksien ennustaminen, sekä käänteinen materiaalin suunnittelu.

Tutkimuksen päätulokset osoittivat, että syväoppiminen tarjoaa tehokkaan tavan ennustaa korkean entropian metalliseosten faasimuodostumisia, mikrorakenteita ja mekaanisia ominaisuuksia. Syvien neuroverkkojen kyky käsitellä suuria datamääriä ja löytää monimutkaisia yhteyksiä datan sisällä osoittautui lupaavaksi. Lisäksi generatiivisten mallien käytön todettiin mahdollistavan uusien materiaalien nopeamman kehittämisen ja kustannustehokkaamman suunnitteluprosessin.