Резюме: объединяя передовое машинное обучение с математикой XIX века, математик Вустерского политехнического института (WPI) работает над тем, чтобы сделать космические аппараты НАСА легче и более устойчивыми к повреждениям, разрабатывая методы обнаружения дефектов в углеродных наноматериалах, используемых для изготовления композитных резервуаров для ракетного топлива и других конструкций космических аппаратов.
Рэнди Паффенрот, доцент математических наук, вычислительной техники и информатики, осуществляет многокомпонентную миссию в рамках этого исследовательского проекта. Используя машинное обучение, нейронные сети и старое математическое уравнение, он разработал алгоритм, который значительно повысит разрешение систем сканирования плотности, используемых для обнаружения дефектов в материалах углеродных нанотрубок. Сканирование с более высоким разрешением обеспечивает более точные изображения (в девять раз "сверхвысокое разрешение") однородности материала, выявляя дефекты в материалах Miralon® - прочном, легком, гибком наноматериале производства Nanocomp Technologies, Inc.
Пряжа Miralon® , которая может быть тонкой, как человеческий волос, может быть обернута вокруг структур, таких как резервуары для ракетного топлива, придавая им прочность, выдерживающую высокое давление. Несовершенства и изменения в толщине могут привести к появлению слабых мест в пряже и полученном композиционном материале. Паффенрот, вместе с командой аспирантов, анализирует данные, полученные в процессе производства, чтобы помочь обеспечить более стабильный конечный продукт.
Nanocomp использует модифицированную коммерческую систему сканирования "базового веса", которая сканирует наноматериал на предмет однородности массы и несовершенства, создавая визуальное изображение плотности; Паффенрот и его команда используют машинное обучение для обучения алгоритмам повышения разрешения изображений, что позволяет машине обнаруживать более мелкие вариации материала. Они разработали уникальный математический алгоритм "сжатого зондирования / сверхвысокого разрешения", который увеличил разрешение в девять раз.
Построенный на языке программирования Python и основанный на искусственной нейронной сети, алгоритм был "обучен" на тысячах наборов наноматериальных изображений, в которых Паффенрот уже выявил и обнаружил недостатки. По сути, он дал алгоритму серию практических тестов, где уже знал ответы (известные как "наземная правда"). Затем он дал ему другие тесты без ответов. "Я даю ему листок материала. Я знаю, какие недостатки есть, но алгоритм не знает. Если он найдет эти недостатки, я могу доверять его точности", - сказал Паффенрот.
Чтобы сделать алгоритм машинного обучения более эффективным в создании изображения с высоким разрешением из изображения низкого разрешения, он объединил его с преобразованием Фурье, математическим инструментом, разработанным в начале 1800-х годов, который можно использовать для разбиения изображения на его отдельные компоненты.
"Мы берем эту фантастическую, современную нейронную сеть и добавляем в нее 250-летнюю математику, и это помогает нейронной сети работать лучше", - сказал Паффенрот - "это захватывающее сочетание современного машинного обучения и классической математики для такого рода работы", - добавил он.
Работа Паффенрота финансируется за счет гранта WPI в размере 87 353 долларов США, полученного от Nanocomp Technologies, дочерней компании Huntsman Corporation, расположенной в Нью-Гемпшире, которая производит передовые материалы из углеродных нанотрубок для аэрокосмической, оборонной и автомобильной промышленности. WPI является субподрядчиком Nanocomp, который получил от NASA контракт на сумму 8,1 млн. долларов США на продвижение своих листов и нитей с углеродными нанотрубками.
Миралон® уже проверен в космосе. Например, он был обернут вокруг структурных опор зонда НАСА Juno, находящегося на орбите планеты Юпитер, чтобы помочь решить сложную проблему гашения вибраций и статического разряда. НАСА также использовала наноматериалы Miralon® для изготовления и испытаний прототипов новых сосудов под давлением из углеродного композита - предшественников резервуаров для ракетного топлива нового поколения. Космические аппараты НАСА будут нуждаться в этой дополнительной прочностью и долговечностью по мере того, как они будут перемещаться дальше от дома и глубже в космос.
В рамках текущего контракта НАСА Nanocomp пытается сделать нити Miralon® в три раза прочнее, и работа команды Паффенрота во многом способствует этому.
Казони отметил, что при более высоком разрешении, полученном с помощью алгоритма WPI, Nanocomp может видеть закономерности и вариации в своих материалах, которые они не могли видеть раньше.
"Мы можем не только улавливать особенности, но и иметь лучшее представление о величине этих особенностей", - сказал он. "Раньше это было похоже на размытое изображение со спутника. Вы можете подумать, что видите холмы Пенсильвании, но с лучшим разрешением вы видите, что на самом деле это гора Вашингтон или скалы Колорадо. Это довольно удивительная вещь".
А с помощью более совершенных измерительных инструментов Nanocomp также сможет усовершенствовать свой производственный процесс, проверяя, создают ли изменения в таких факторах, как температура, управление натяжением, давлением и скоростью потока лучшие материалы. "Мы можем использовать лучшие измерения для оптимизации конечных характеристик нашего продукта", - сказал Казони. "Рэнди помогает нам лучше понять наш производственный процесс. Он делает свою "магическую математику", чтобы помочь нам лучше понять вариации в нашем продукте. Однородность этого материала играет большую роль в его предельной прочности".
Паффенрот и его команда также разработают алгоритмы, которые будут использоваться в системах активного управления с обратной связью, чтобы предсказать, насколько хорошим будет тот или иной кусок материала при его первом изготовлении, что поможет обеспечить более однородный конечный продукт. Алгоритм анализирует свойства, измеренные в начале производственного цикла, для эффективного предсказания свойств в конце цикла, включая механические свойства и длину цикла.
"Мы можем использовать машинное обучение, чтобы предсказать, что Nanocomp не получит полезной длины материала в результате конкретного производственного цикла", - сказал Паффенрот. Священный Грааль технологического процесса заключается в том, что чем больше вы понимаете о процессе, тем лучше он протекает.
WPI представила свои выводы 25 августа на Международной конференции по обработке изображений, видеоматериалов и искусственному интеллекту 2019 года в Шанхае (Китай).