Metalik malzemeler, modern ticari uçak yapısının ayrılmaz bir parçasıdır. Yalnızca bu malzemelerin günlük ve zorlu uçuş operasyonlarında nasıl davrandığını anlayan, ayrıntılı uzman bilgisine sahip kişiler, yarının güvenli ve verimli uçaklarını tasarlayabilir. Alman Havacılık ve Uzay Merkezi’ndeki (DLR) bilim adamları, Malzeme Araştırma Enstitüsü’ndeki metalik malzemeler üzerinde yapay zeka yöntemlerini test ediyorlar.
“Malzemelerin özelliklerinden ne ölçüde yararlanılabileceğini anlamak, uçağın hizmet ömrünü daha doğru tahmin etme ve uzatma olasılığını açar. Bu, güvenliği artırır, zamandan ve paradan tasarruf sağlar. Yalnızca doğal kaynakları korumak da mümkündür. Malzemeyi uçakta gerçekten ihtiyaç duyulan yerde kullanın. Bu şekilde uçağın ağırlığı azaltılabilir ve yakıt tasarrufu sağlanabilir,” diye açıklıyor DLR Malzeme Araştırma Enstitüsü bilim adamı Eric Breitbarth.
AI yöntemleri daha doğru tahmin modelleri sağlar
Dijital görüntü korelasyonu ve derin öğrenme yöntemleri, DLR’deki Metalik Yapılar ve Hibrit Malzeme Sistemleri Bölümü’ndeki bilim adamlarının yeni ve daha kesin malzeme ve tahmin modelleri geliştirebilecekleri iki örnektir. Önceki araştırmalar ve sonuçlar, modellerin geliştirme sürelerinin kısaltılabileceğini göstermektedir. Ancak aynı zamanda, dijital yöntemlerin daha da geliştirilmesinde, test ve analiz seçeneklerinin yanı sıra deneylerin uygulanması ve değerlendirilmesinde devrim yaratacak çok fazla potansiyel var. Bu dijital yöntemler, gelecek nesil uçakların daha kolay ve verimli bir şekilde tasarlanmasına yardımcı olacaktır.
Dijital görüntü korelasyonu, test yönetimini otomatikleştirir
Modern malzemelerin sınırlarını bilmek ve davranışlarını anlamak için malzeme bilimcileri, bileşen seviyesinden mikro yapıya kadar kapsamlı malzeme araştırmaları ve deneyleri yürütür. Bilim adamları, bileşenleri uçuş sırasında meydana gelenler gibi mekanik kuvvetlere tabi tutuyor, test parçasının tepkisini gözlemliyor ve bunu kameralarla kaydediyor. Dijital görüntü korelasyonu ile test edilen bileşenin üzerine sanal bir görüntü yerleştirilir. Bu, malzeme üzerindeki stresin ne kadar yüksek olduğunu gösterir. Yerel gerilmelerin en yüksek olduğu yerlerde, malzemede çatlaklar beklenebilir ve dijital görüntü korelasyonu yoluyla bir algoritma yardımıyla tespit edilir. Ortaya çıkan ve malzeme özelliklerinin bazı bölümlerinin elde edilebildiği çatlak ucu, otomatik olarak izlenen mikroskoplarla fotoğraflanır. Bu amaçla, çatlak ucu gerilimini hesaplamak için akıllı bir değerlendirme algoritması geliştirilmiştir ve bununla çatlaklar temel bir şekilde değerlendirilebilir. Bu yöntem, malzemeler için yeni ömür modelleri oluşturmak için kullanılabilir.
Derin öğrenme materyali değerlendirir
Dijital görüntü korelasyonu ile oluşturulan 2D ve 3D görüntü verilerine ek olarak, bilim adamlarının stres altındaki uçak bileşenlerinin yapısının mikro yapısını incelemesi önemlidir. Bu, diğer şeylerin yanı sıra, bir malzemedeki fazlar olarak da adlandırılan çeşitli bileşenlerin tanınabildiği bir malzemenin sanal bir görüntüsünün oluşturulduğu 3D bilgisayarlı tomografi ile yapılır. Şimdiye kadar bu görüntüler bilim adamları tarafından zaman alan bir süreçte manuel olarak değerlendiriliyordu. Bugün, ilk eğitilmiş derin öğrenme algoritmaları, bu işi çok kısa bir sürede devralabilir ve malzemenin bileşimini belirleyerek değerlendirebilir. Makine öğrenimi yöntemleri ve özellikle evrişimli nöronal ağlar (CNN), Malzeme Araştırma Enstitüsü’nde örüntü tanıma ve semantik görüntü bölümleme için çok başarılı bir şekilde kullanılmaktadır. Bu, malzemelerin kullanım ömrü modellerini daha hızlı geliştirmeye ve bazen bilgisayarlı tomografiden elde edilen büyük miktardaki verilerden yeni içgörüler elde etmeye yardımcı olur.
“Malzemelerin özelliklerinden ne ölçüde yararlanılabileceğini anlamak, uçağın hizmet ömrünü daha doğru tahmin etme ve uzatma olasılığını açar. Bu, güvenliği artırır, zamandan ve paradan tasarruf sağlar. Yalnızca doğal kaynakları korumak da mümkündür. Malzemeyi uçakta gerçekten ihtiyaç duyulan yerde kullanın. Bu şekilde uçağın ağırlığı azaltılabilir ve yakıt tasarrufu sağlanabilir,” diye açıklıyor DLR Malzeme Araştırma Enstitüsü bilim adamı Eric Breitbarth.
AI yöntemleri daha doğru tahmin modelleri sağlar
Dijital görüntü korelasyonu ve derin öğrenme yöntemleri, DLR’deki Metalik Yapılar ve Hibrit Malzeme Sistemleri Bölümü’ndeki bilim adamlarının yeni ve daha kesin malzeme ve tahmin modelleri geliştirebilecekleri iki örnektir. Önceki araştırmalar ve sonuçlar, modellerin geliştirme sürelerinin kısaltılabileceğini göstermektedir. Ancak aynı zamanda, dijital yöntemlerin daha da geliştirilmesinde, test ve analiz seçeneklerinin yanı sıra deneylerin uygulanması ve değerlendirilmesinde devrim yaratacak çok fazla potansiyel var. Bu dijital yöntemler, gelecek nesil uçakların daha kolay ve verimli bir şekilde tasarlanmasına yardımcı olacaktır.
Dijital görüntü korelasyonu, test yönetimini otomatikleştirir
Modern malzemelerin sınırlarını bilmek ve davranışlarını anlamak için malzeme bilimcileri, bileşen seviyesinden mikro yapıya kadar kapsamlı malzeme araştırmaları ve deneyleri yürütür. Bilim adamları, bileşenleri uçuş sırasında meydana gelenler gibi mekanik kuvvetlere tabi tutuyor, test parçasının tepkisini gözlemliyor ve bunu kameralarla kaydediyor. Dijital görüntü korelasyonu ile test edilen bileşenin üzerine sanal bir görüntü yerleştirilir. Bu, malzeme üzerindeki stresin ne kadar yüksek olduğunu gösterir. Yerel gerilmelerin en yüksek olduğu yerlerde, malzemede çatlaklar beklenebilir ve dijital görüntü korelasyonu yoluyla bir algoritma yardımıyla tespit edilir. Ortaya çıkan ve malzeme özelliklerinin bazı bölümlerinin elde edilebildiği çatlak ucu, otomatik olarak izlenen mikroskoplarla fotoğraflanır. Bu amaçla, çatlak ucu gerilimini hesaplamak için akıllı bir değerlendirme algoritması geliştirilmiştir ve bununla çatlaklar temel bir şekilde değerlendirilebilir. Bu yöntem, malzemeler için yeni ömür modelleri oluşturmak için kullanılabilir.
Derin öğrenme materyali değerlendirir
Dijital görüntü korelasyonu ile oluşturulan 2D ve 3D görüntü verilerine ek olarak, bilim adamlarının stres altındaki uçak bileşenlerinin yapısının mikro yapısını incelemesi önemlidir. Bu, diğer şeylerin yanı sıra, bir malzemedeki fazlar olarak da adlandırılan çeşitli bileşenlerin tanınabildiği bir malzemenin sanal bir görüntüsünün oluşturulduğu 3D bilgisayarlı tomografi ile yapılır. Şimdiye kadar bu görüntüler bilim adamları tarafından zaman alan bir süreçte manuel olarak değerlendiriliyordu. Bugün, ilk eğitilmiş derin öğrenme algoritmaları, bu işi çok kısa bir sürede devralabilir ve malzemenin bileşimini belirleyerek değerlendirebilir. Makine öğrenimi yöntemleri ve özellikle evrişimli nöronal ağlar (CNN), Malzeme Araştırma Enstitüsü’nde örüntü tanıma ve semantik görüntü bölümleme için çok başarılı bir şekilde kullanılmaktadır. Bu, malzemelerin kullanım ömrü modellerini daha hızlı geliştirmeye ve bazen bilgisayarlı tomografiden elde edilen büyük miktardaki verilerden yeni içgörüler elde etmeye yardımcı olur.