Fisikan oinarritutako sare neuronalak, TPEen portaera mekanikoaren iragarpen azkarrago eta zehatzagoak lortzeko

Leartikerrek doktorego-ikerketa proiektu berri bati ekin dio elastomero termoplastikoen (TPE) portaera mekanikoaren ulermenean eta modelizazioan aurrera egiteko, fisikan oinarritutako Deep Learning teknikak erabiliz. Material hauek birziklagarriak dira eta ohiko kautxuen alternatiba ekologikotzat jotzen dira. Gainera, osagaien garapen eta diseinu prozesuan erronka gehiago dituzte.

Sare neuronalen, bereziki sare neuronal sakonak (Deep Learning), eta elementu finituen metodoa bezalako simulazio-metodo tradizionalen konbinazioak, material eta pieza errealen portaera zehaztasun eta azkartasun handiagoz aurreikusteko potentzial handia erakusten du.

Sare neuronalak eredu konplexuak ikasteko eta datu-multzo handietatik informazio esanguratsua ateratzeko gai diren Machine Learning eta adimen artifizialaren azpiadar bat dira. Sare horiek parametroak doitzen dituzten algoritmoak erabiliz entrenatzen dira, zeregin espezifikoak optimizatzeko, hala nola sailkapen edo erregresio problemak. Tresna horiek oso eraginkorrak direla frogatu da aplikazio askotan: irudien antzematean, ahots-prozesamenduan, hizkuntza naturalaren prozesamenduan, produktuen gomendioan eta gidatze autonomoan, besteak beste. Simulazioaren eta modelizazioaren testuinguruan, sare neuronalek erlazio ez-linealak atzeman ditzakete sarrera- eta irteera-aldagaien artean, eta horrek bereziki baliagarriak bihurtzen ditu arazo konplexuei aurre egiteko.

Hala ere, datuetan soilik oinarritutako sare neuronaleek informazio asko behar dute, eta haien orokortze-gaitasuna mugatua da; hau da, ezin gara fidatu iragarpenekin sarrera-datuak eta entrenamendu-datuak desberdinak direnean. Gainera, sarritan, iragarpenek ez dituzte errespetatzen materialen portaera zuzentzen duten printzipio fisikoak. Horregatik, ereduak printzipio horiek errespetatzeko egokituz gero, behar den datu-kopurua murrizten da, orokortzeko gaitasuna hobetzen da, eta ereduek modu eraginkorragoan egiten dute bat.

Elastomero termoplastikoen (TPE) portaera mekanikoaren ikerketaren testuinguru espezifikoan, fisikan oinarritutako sare neuronalek metodo tradizionalak baino eredu zehatzagoak lor ditzakete. Material-eredu horiek materialaren portaerari buruzko beharrezko informazioa ematen dute, ondorengo elementu finituen simulazioak elikatzeko.

Laburbilduz, tesi honen helburu nagusia lan-esparru berritzaile bat ezartzea da, datuen mundua ezagutza zientifikoarekin integratuko duena eta TPEen portaera mekanikoa azkarrago eta zehatzagoa aurresateko aukera emango duena, modu honetan, iraunkorragoa den eta ingurumena gehiago errespetatzen duen industria eredu bat bultzatzeko.

Datuetan eta adimen artifizialean oinarritutako teknikak zientziaren arlo guztiak aldatzen ari dira, eta, eraldaketa horren jakitun, Leartikerren tresna hauek erabiltzen dituzten proiektuak gauzatzen ari gara ezagutza sortu eta industriara transferitzeko.