Al combinar el aprendizaje automático de vanguardia con las matemáticas del siglo XIX, un matemático del Instituto Politécnico de Worcester WPI está trabajando para hacer que las naves espaciales de la NASA sean más ligeras y más tolerantes al daño mediante el desarrollo de métodos para detectar imperfecciones en los nanomateriales de carbono utilizados para fabricar tanques compuestos de combustible para cohetesy otras estructuras de naves espaciales.
Randy Paffenroth, profesor asociado de ciencias matemáticas, ciencias de la computación y ciencia de datos, tiene una misión de varias partes en este proyecto de investigación. Utilizando aprendizaje automático, redes neuronales y una vieja ecuación matemática, ha desarrollado un algoritmo que significativamentemejore la resolución de los sistemas de escaneo de densidad que se utilizan para detectar fallas en los materiales de nanotubos de carbono. Los escaneos de mayor resolución proporcionan imágenes más precisas nueve veces "superresolución" de la uniformidad del material, detectando imperfecciones en los materiales Miralon®: un material fuerte y liviano, nanomaterial flexible producido por Nanocomp Technologies, Inc.
Los hilos Miralon®, que pueden ser tan delgados como un cabello humano, se pueden enrollar alrededor de estructuras como tanques de combustible de cohetes, dándoles la fuerza para soportar altas presiones. Las imperfecciones y variaciones en el grosor pueden causar puntos débiles en el hilo y el resultadoPaffenroth, con un equipo de estudiantes de posgrado, está analizando datos del proceso de fabricación para ayudar a garantizar un producto final más consistente.
Nanocomp utiliza un sistema de escaneo comercial modificado de "peso base" que escanea el nanomaterial en busca de uniformidad de masa e imperfecciones, creando una imagen visual de densidad; Paffenroth y su equipo están utilizando aprendizaje automático para entrenar algoritmos para aumentar la resolución de las imágenes, permitiendola máquina para detectar variaciones más diminutas en el material. Han desarrollado un algoritmo matemático único de "detección comprimida / superresolución" que ha aumentado la resolución en nueve veces.
Construido con el lenguaje de programación Python y basado en una red neuronal artificial, el algoritmo fue "entrenado" en miles de conjuntos de imágenes de nanomateriales en las que Paffenroth ya había identificado y localizado fallas. Él esencialmente le dio al algoritmo una serie de pruebas de práctica dondeél ya sabía las respuestas conocido como "verdad fundamental". Luego, le dio otras pruebas sin las respuestas. "Le doy una hoja de material. Sé las imperfecciones que entran pero el algoritmo no. Si encuentraesas imperfecciones, puedo confiar en su precisión ", dijo Paffenroth.
Para hacer que el algoritmo de aprendizaje automático sea más efectivo para hacer una imagen de alta resolución a partir de una imagen de baja resolución, la combinó con la Transformada de Fourier, una herramienta matemática ideada a principios de 1800 que puede usarse para descomponer una imagenen sus componentes individuales.
"Tomamos esta elegante red neuronal de vanguardia y agregamos matemáticas de 250 años de antigüedad y eso ayuda a que la red neuronal funcione mejor", dijo Paffenroth. "La Transformada de Fourier hace que crear una imagen de alta resolución sea un problema mucho más fácilal desglosar los datos que componen la imagen. Piense en la Transformada de Fourier como un conjunto de anteojos para la red neuronal. El algoritmo aclara las cosas borrosas. Estamos tomando visión por computadora y virtualmente poniéndole lentes.
"Es emocionante utilizar esta combinación de aprendizaje automático moderno y matemática clásica para este tipo de trabajo", agregó.
El trabajo de Paffenroth está financiado por una subvención de $ 87,353 que WPI recibió de Nanocomp Technologies, una subsidiaria de Huntsman Corporation con sede en New Hampshire que fabrica materiales avanzados de nanotubos de carbono para la industria aeroespacial, de defensa y automotriz. WPI es un subcontratista de Nanocomp, que recibió un contrato de $ 8.1 millones de parte de la NASA para avanzar sus láminas e hilos de nanotubos de carbono.
Miralon® ya ha sido probado en el espacio. Por ejemplo, estaba envuelto alrededor de soportes estructurales en la sonda Juno de la NASA que orbita el planeta Júpiter para ayudar a un problema desafiante con la amortiguación de vibraciones y la descarga estática. La NASA también ha utilizado nanomateriales Miralon® para fabricar yprobar prototipos de nuevos recipientes a presión compuestos de carbono, los precursores de los tanques de combustible de cohetes de próxima generación. La nave espacial de la NASA necesitará esa fuerza y durabilidad adicionales a medida que viajan más lejos de casa y más profundamente en el espacio.
Como parte de su contrato actual de la NASA, Nanocomp está tratando de hacer hilos Miralon® que sean tres veces más fuertes, y el trabajo del equipo de Paffenroth es una gran parte de hacer que eso suceda.
"Randy nos está ayudando a lograr este objetivo de triplicar nuestra fuerza al mejorar las herramientas en nuestra caja de herramientas para que podamos fabricar materiales más fuertes, mejores y de próxima generación para ser utilizados en aplicaciones espaciales", dijo Bob Casoni, Gerente de Calidad de Nanocomp"Si la NASA necesita construir un nuevo sistema de cohetes lo suficientemente fuerte como para llegar a Marte y regresar, tiene que enfrentar un gran conjunto de desafíos. Se necesitan mejores materiales para permitirle a la NASA diseñar cohetes que puedan ir más lejos, más rápido y sobrevivir más tiempo"."
Casoni señaló que con la resolución más alta del algoritmo de WPI, Nanocomp puede ver patrones y variaciones en sus materiales que antes no podían ver.
"No solo podemos recoger las características, sino que también tenemos una mejor idea de la magnitud de esas características", dijo. "Antes, era como ver una imagen de satélite borrosa. Puede pensar que está viendo el rodajecolinas de Pensilvania, pero con una mejor resolución se ve que es realmente el Monte Washington o las Montañas Rocosas de Colorado. Es algo increíble ".
Y con mejores herramientas de medición, Nanocomp también podrá mejorar su proceso de fabricación al probar si los cambios en factores como temperatura, control de tensión, presión y caudales crean mejores materiales ". Podemos utilizar mejores mediciones para optimizar nuestro producto finalrendimiento ", dijo Casoni." Randy nos está ayudando a comprender mejor nuestro proceso de fabricación. Él está haciendo su "matemática mágica" para ayudarnos a comprender mejor las variaciones de nuestro producto. La uniformidad de ese material juega un papel importante en su máxima resistencia ".
Paffenroth y su equipo también desarrollarán algoritmos que se utilizarán en los sistemas de control de retroalimentación activa para predecir qué tan buena será una pieza de material en particular cuando se fabrica por primera vez, ayudando a garantizar un producto final más consistente. El algoritmo analiza las propiedades medidasal comienzo de la ejecución de fabricación para predecir efectivamente las propiedades al final de la ejecución, incluidas las propiedades mecánicas y la duración de la ejecución.
"Podemos usar el aprendizaje automático para predecir que Nanocomp no obtendrá una longitud útil de material de una producción en particular", dijo Paffenroth. "Les ayuda con el desperdicio. Si pueden darse cuenta en los primeros metros delejecute que habrá un problema, pueden detenerse y comenzar de nuevo. El Santo Grial de la ingeniería de procesos es que cuanto más comprenda sobre su proceso, mejor será su proceso ".
WPI presentará sus hallazgos el 25 de agosto en la Conferencia Internacional sobre Imagen, Procesamiento de Video e Inteligencia Artificial de 2019 en Shanghai, China.
Fuente de la historia :
Materiales proporcionado por Instituto Politécnico de Worcester . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :