Структуры в виде решетки со сложными мотивами и многоуровневыми компоновками обладают огромным потенциалом для инноваций в различных отраслях, однако их сложность представляет собой вызов для специалистов. Ливерморская национальная лаборатория имени Лоуренса (LLNL) использует методы машинного обучения и искусственного интеллекта для оптимизации проектирования решетчатых конструкций, таких как легкость и прочность, с высокой скоростью и точностью.
В журнале Scientific Reports исследователи представили интеграцию машинного обучения с традиционными вычислительными техниками для ускорения создания структурных сеток. С помощью суррогатных моделей на основе машинного обучения, обученных на обширных данных, они достигли точности предсказания механических свойств свыше 95%.
Применение байесовской оптимизации и активного обучения позволяет эффективно выбирать и оценивать проекты, сокращая число симуляций в пять раз и ускоряя поиск эффективных конфигураций решеток. Это также уменьшает вычислительные ресурсы, необходимые для оптимизации конструкций.
