Los materiales planos que pueden transformarse en formas tridimensionales tienen aplicaciones potenciales en arquitectura, medicina, robótica, viajes espaciales y mucho más. Pero la programación de estos cambios de forma requiere cálculos complejos y lentos.
Ahora, investigadores de la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard SEAS han desarrollado una plataforma que utiliza el aprendizaje automático para programar la transformación de superficies estirables 2D en formas 3D específicas.
"Si bien los métodos de aprendizaje automático se han empleado clásicamente para el reconocimiento de imágenes y el procesamiento del lenguaje, también han surgido recientemente como herramientas poderosas para resolver problemas mecánicos", dijo Katia Bertoldi, profesora de Mecánica Aplicada William y Ami Kuan Danoff en SEAS y seniorautor del estudio."En este trabajo demostramos que estas herramientas se pueden extender para estudiar la mecánica de los sistemas inflables transformables".
La investigación se publica en Materiales Funcionales Avanzados.
El equipo de investigación comenzó dividiendo una membrana inflable en una cuadrícula de 10x10 de 100 píxeles cuadrados que pueden ser blandos o rígidos. Los píxeles blandos o rígidos se pueden combinar en una variedad casi infinita de configuraciones, lo que hace que la programación manual sea extremadamente difícil. Eso esdonde entra el aprendizaje automático.
Los investigadores usaron lo que se conoce como simulaciones de elementos finitos para muestrear este espacio de diseño infinito. Luego, las redes neuronales usaron esa muestra para aprender cómo la ubicación de los píxeles suaves y rígidos controla la deformación de la membrana cuando está presurizada.
"Una vez que se entrenó el modelo de aprendizaje automático, se nos ocurrió una forma 3D arbitraria y se la pasamos al modelo", dijo Antonio Elia Forte, ex becario postdoctoral en SEAS y primer autor del artículo. "La red neuronal entoncesgenera el diseño de la membrana y la presión a la que debemos inflar dicha membrana para obtener la forma 3D deseada".
Los investigadores utilizaron este nuevo método de diseño para construir y probar un dispositivo de mecanoterapia que puede estimular el tejido alrededor de una cicatriz para mejorar la cicatrización y reducir el tiempo de recuperación.
"Esta plataforma tiene potencial para diseñar rápida y efectivamente dispositivos específicos para pacientes para mecanoterapia y más", dijo Forte. "Antes de esta investigación, no sabíamos cómo usar el aprendizaje automático para desentrañar mapeos no lineales en sistemas inflables, pero resultaque son muy poderosos para estos fines."
La plataforma se puede usar para diseñar superficies transformables en múltiples escalas para aplicaciones desde dispositivos médicos hasta arquitectura.
Esto es solo el comienzo del diseño de materiales transformables habilitado para el aprendizaje automático, dijo Forte.
"El aprendizaje automático podría ampliar los límites de las estrategias de diseño actualmente conocidas y permitirnos diseñar y construir material de transformación de forma totalmente reconfigurable", dijo Forte.
La investigación fue coescrita por PZ Hanakata, L. Jin, E. Zari, A. Zareei, MC Fernandes, L. Sumner y J. Alvarez. La investigación fue financiada en parte por la National Science Foundation a través de subvenciones DMR-2011754, DMREF-1922321, OAC-2118201 y DMR-1608501.
Fuente de la historia:
Materiales proporcionado por Escuela de Ingeniería y Ciencias Aplicadas de Harvard John A. Paulson. Nota: el contenido se puede editar por estilo y longitud.
referencia de diario:
Citar esta página:
Visita Nuevo científico for more global science stories >>>