Dziś, kiedy w pocowidowym świecie wkraczamy w trzecią dekadę XXI wieku, światowy rozwój technologiczny jest coraz bardziej uzależniony od zdolności tworzenia nowych materiałów a materiałoznawstwo staje się kluczową kwestią łączącą naukę i wspomniany wyżej rozwój. Dotyczy to praktycznie każdej dziedziny przemysłu – od najmniejszych części elektronicznych, poprzez zastosowania medyczne czy wojskowe, aż po przemysł lotniczy lub kosmiczny. Zdolność wytworzenia i zastosowania odpowiedniego materiału często tworzy granicę pomiędzy biznesowym sukcesem a porażką.

Sieci neuronowe

Materiałoznawstwo swoimi korzeniami sięga epoki brązu, jednak systematyczne badania materiałowe po raz pierwszy opisane zostały dopiero w XVI wieku („De re metallica libri XII“ pióra Georgiusa Agricoli jest dziełem, które przez kilka stuleci uważane było za biblię metalurgii). Do niedawna materiałoznawstwo i metalurgia opierały się wyłącznie na badaniach empirycznych. Wszystko zmieniło się w momencie, kiedy pojawiła się możliwość modelowania teoretycznego za pomocą metod numerycznych. Powiedzmy sobie szczerze, zastosowania informatyczne znalazły zastosowanie w biologii, astronomii, finansach, medycynie oraz szeroko pojętym biznesie, więc materiałoznawstwo nie mogło być dziedziną, którą ta rewolucja by pominęła.

Rozwój i tworzenie nowych materiałów o konkretnych właściwościach, wysokiej odporności lub sile dla konkretnych branż przemysłu, wymaga znacznych nakładów na badania i testy. Możliwość przewidzenia właściwości danego materiału jeszcze przed jego syntezą może mieć olbrzymią wartość technologiczną oraz umożliwi optymalizację materiału, elementów zeń wykonanych lub nawet sposób recyklingu zużytych elementów. Brzmi trochę jak opowiadanie fantastyczne, nieprawdaż? Niekoniecznie.

Większość nowoczesnych materiałów nie występuje naturalnie w przyrodzie, metale są rafinowane, dodaje się do nich dodatki stopowe, miesza się je i łączy z innymi pierwiastkami w celu poprawienia właściwości mechanicznych lub chemicznych. Możliwość przewidzenia właściwości mechanicznych nowego stopu jest bardzo ważną kwestią, zarówno dla naukowców jak i inżynierów. Dzięki temu można zaoszczędzić czas oraz pieniądze. Natomiast ze względu na złożoność stosunku pomiędzy związkami chemicznymi a właściwościami stopu, może się okazać, że takie przewidywania są zbyt skomplikowane dla klasycznych metod numerycznych, dlatego w ostatnich latach coraz popularniejsze staje się wykorzystanie do tego celu sieci neuronowych.

Architektura sieci neuronowych

Sieci neuronowe w swej strukturze przypominają ludzki mózg, imitując sposób rozwiązywania danych problemów w sposób przypominający ten, jaki odbywa się w naszych głowach. Dzięki temu sieć jest w stanie dokonać obliczeń (czyli wykonać przedstawione jej zadanie) znacznie szybciej niż najszybszy komputer cyfrowy. Mózg składa się z dziesiątków miliardów poszczególnych składników strukturalnych (neuronów), które połączone są wzajemnie między sobą, tworząc skomplikowaną sieć. Proces uczenia się polega na zmianie i dostosowaniu połączeń synaptycznych pomiędzy każdym ze składników. Na podobnej zasadzie działa sztuczna sieć neuronowa (ang. Artificial Neural Network, ANN) – której działanie opiera się na obliczaniu średniej ważonej tych połączeń i w ten sposób określenie pobudzenia każdego z neuronów. Neuron, któremu przypisano większe wagi ma odpowiednio większy udział w określeniu średniej ważonej, dla kolejnej warstwy neuronów, niż ten któremu przypisane są mniejsze wagi. A wagi, i wraz z nimi przekazywane dane, mają wpływ na kolejną warstwę, przekazując przetworzoną informację dalej i dalej, aż do warstwy wyjściowej z której odczytuje się wynik. Poziom aktywacji poszczególnego neuronu, który w efekcie tworzy sygnał wyjściowy jest określany za pomocą funkcji aktywacji. W zależności od rodzaju danych oraz od sposobu wykorzystania sieci, dostępny jest szeroki zakres funkcji aktywacji np. popularne w latach 90tych funkcje sigmoidalne (zwane również funkcjami logistycznymi) wykorzystuje się w przypadku, kiedy można poświęcić sprawność uczenia się na korzyść szybkiego działania sieci.

Podsumowując, dobrze skonfigurowana i wytrenowana sieć może z łatwością wykonywać takie zadania jak rozpoznawanie i klasyfikacja kształtów lub grupowanie danych – co dla klasycznych algorytmów komputerowych wykorzystujących metody numeryczne jest rzeczą niezmiernie skomplikowaną.

Sposób działania sieci neuronowych

Sieci neuronowe wykorzystują przetwarzanie równoległe i rozproszone do wykonania obliczeń, co oznacza, że informacje są przetwarzane w całym układzie. Proces uczenia jest naturalną i nieodzowną funkcją sieci neuronowej – zgodnie z informacjami podanymi powyżej, informacje w sieci neuronowej zapisywane są za pomocą siły połączeń poszczególnych neuronów. Połączenia prowadzące do poprawnych odpowiedzi są wzmacniane, a te prowadzące do złej odpowiedzi są osłabiane. Dzieje się to iteracyjnie, podczas przedstawiania problemu oraz analizie jego poprawnych odpowiedzi. Takie dane nazywają się zbiorem danych uczących. Natomiast zbiór danych testujących jest zestawem do testowania poziomu wyuczenia się sieci.

Modelowanie sieci oraz symulacja składa się z pięciu głównych etapów:

  • zbieranie danych,
  • wstępne przetwarzane zebranych danych,
  • uczenie sieci neuronowej,
  • testowanie sieci neuronowej,
  • symulacja predykcyjna za pomocą wytrenowanej i przetestowanej sieci neuronowej.

Optymalny skład chemiczny stopu oraz jego właściwości

Generalnie, sieci neuronowe są najlepszym narzędziem do analizy danych, które zawierają wzajemne, nieznane zależności. Dla przykładu, wyobraźmy sobie „zaprzężenie“ sieci neuronowej do znalezienia zależności pomiędzy ilością dodanych pierwiastków stopowych w stopie aluminium a właściwościami tegoż stopu. Każdy pierwiastek oraz jego ilość mają wpływ na konkretną właściwość stopu, np. przewodnictwo elektryczne lub cieplne, odproność na korozję, rozszerzalność pod wpływem temperatury, temperatura topnienia lub twardość. I właśnie twardość w tym wypadku gra istotną rolę, gdyż dzięki niej można określić inne właściwości materiału, np. wytrzymałość, plastyczność lub odporność na ścieranie.
W powyższym przykładzie zestaw danych wejściowych musi zawierać udział procentowy wszystkich dodatków stopowych oraz empirycznie udowodniona twartość takiego stopu, która przyjmuje rolę wzorca (wartość wyniku rzeczywistego, ang. target). Następnie, losowo dzieli się dane na uczące i testowe, np. w stosunku 75% do 25% – ale wartości te ustanawia się ze względu na ilość posiadanych danych – w przypadku posiadania dużej ilości danych, udział danych testujących może być wyższy, co może mieć wpływ na polepszenie precyzji wyuczenia. Przed pierwszą iteracją sieć losowo ustawia wagi pomiędzy wszystkimi neuronami, które następnie generują wstępny wynik. W kolejnym kroku, porównuje się wyniki podane przez sieć z oczekiwanymi wynikami i za pomocą funkcji błędu określa się sumaryczny błąd sieci. Najpopularniejszym podejściem do interpolacji funkcji błędu jest metoda najmniejszych kwadratów, dzięki czemu sieć, na podstawie wielkości błędu na poszczególnych neuronach wyjściowych, jest w stanie zmienić (zmniejszyć lub zwiększyć) wagi. Proces ten nazywa się propagacją wsteczną i jest kluczowym etapem uczenia się nadzorowanego sieci.
Przez poprawione wagi „puszcza“ się ponownie zestaw danych oraz porównuje się wynik z oczekiwanymi wartościami (stąd uczenie nadzorowane), sprawdza się błąd i za pomocą propagacji wstecznej, aktualizuje się wagi, by od nowa przepuścić dane – zestaw tych czynności nazywa się epoką. Proces uczenia może zakończyć się po spełnieniu pewnych warunków – po wykonaniu określonej ilości epok (iteracji), po osiągnięciu danego poziomu błędu lub w momencie kiedy poziom błędu pozostaje niezmienny.
Warto zwrócić uwagę na problem związany z uczeniem – błąd minimalizowany jest nie dla całej sieci, tylko dla zestawu danych testowych, co może doprowadzić do tzw. przeuczenia sieci (problem nadmiernego dopasowania). Zapewnienie odpowiedniej ilości danych wejściowych oraz poprawne ustawienie sieci może zminimalizować prawdopodobieństwo przeuczenia.

W efekcie wytrenowana sieć neuronowa może nam przepowiedzieć jakie ilości i jakich pierwiastków stopowych należy użyć do stworzenia stopu o pożądanych właściwości – bez potrzeby mozolnego i drogiego tworzenia a następnie testowania materiału a wszystko na podstawie danych w posiadaniu których już jesteśmy.

Sieci neuronowe i spawanie

Sieci neuronowe znajdują zastosowanie również przy spawaniu, a dokładniej mówiąc – przy sprawdzaniu jakości spawu oraz jego przyjęciu lub odrzuceniu. Dane pobierane z czujników w głowicy spawającej analizowane są przez wytrenowaną sieć, która natychmiast informuje o odstępstwie od jakości spawu lub pojawiających się wewnętrznych defektach materiałowych, równocześnie sterując procesem spawania. Przykładowy proces jest opisany w tym artykule, co prawda starym, lecz dokładnie opisującym sposób zaaplikowania sieci neuronowych w procesie spawania na skalę przemysłową.

Podsumowanie

Biorąc pod uwagę, że sieci neuronowe nie są jedynie modnym, jednosezonowym kaprysem i coraz szybciej pojawiają się w coraz to nowszych zastosowaniach, należy mieć nadzieję, że wkrótce ich wykorzystanie stanie się oczywistością a nie jedynie eksperymentem. Sztuczna inteligencja, wbrew fantastycznym i katastroficznym wizjom serwowanych nam przez Hollywood, stanie się pomocnym, nieodzownym asystentem we wszystkich najważniejszych dziedzinach nauki i techniki.

Pozostałe wpisy

Zrównoważone technologie środowiskowe a metalurgia

Zrównoważone technologie środowiskowe a metalurgia

Idea zrównoważonego rozwoju jest coraz szerzej uwzględniana w rozwoju gospodarczym i działaniu firm z wielu sektorów przemysłu. Nacisk na ochronę środowiska i konieczność wprowadzenia zmian podnoszone są już nie tylko przez aktywistów środowiskowych. Świadomość...

czytaj dalej
Korozje

Korozje

Czym jest korozja, niewidzialny potwór, któremu niestraszne są nawet najtwardsze materiały? W przypadku metali można go zdefiniować jako proces chemiczny lub elektrochemiczny zachodzący pomiędzy powierzchnią a otaczającym środowiskiem.

czytaj dalej
Boskie metale

Boskie metale

Podzielasz naszą pasję i podobnie jak my, chcesz poszerzyć swoją wiedzę na temat wyrobów hutniczych? Zapraszamy do lektury przygotowanego przez nas zestawienia ciekawostek i faktów dotyczących metali.

czytaj dalej