Defnyddio AI i Gyflymu Datblygiad Alwriaeth: Beth sy'n ei olygu hyn ar gyfer Opsiynau Deunydd Pibio yn y Dyfodol

Am ddegawdau, roedd datblygiad newid materion pibell alwriau yn dilyn patrwm rhagdybiaedig: byddai metallurgydd yn rhoi rhagdybiaeth am gynhwysiad yn seiliedig ar brofiad, casglu nifer o gynheuon arbrofol, eu profi yn gyflawn, a—os oedd y canlyniadau'n addas—trechu blynyddoedd yn nodweddu'r perfformiad cyn rhyddhau masnachol. Mae'r dull hwn o geisio a chamu wedi gwasanaethu'r diwydiant yn dda, gan ddarparu'r steiliau haearn dwbl, alwriau nicel, a'r materion resistas corffni sydd ar eu defnydd heddiw. Ond mae'n araf. Araf iawn.

Mae'r amserlenni arferol o gynllunio tan rhyddhau masnachol alwriau yn ymestyn dros 10 i 20 mlynedd ar gyfer rhaglen hanfodol sydd angen materion newydd—meddwl am drosglwyddo hidrogen, offshori dwfn neu cynhyrchion niwclear o'r genhedlaeth nesaf—nid yw'r cyfradd hon yn derbynol rhagor.

Croeso i feddylianaeth artiffisial (AI) a dysgu peirianyddol (ML). Mae'r technolegau hyn yn ailsiapio gwyddoniaeth am materion yn sylfaenol, gan troi datblygiad alloy o ddiciwyn ymarferol lledrith yn broblem optimeiddio sydd wedi'i gyfarwyddo gan peirianneg. mae'r erthyliad hwn yn ymchwilio i sut mae AI yn cy accelerated darganfod cymysgeddau, beth yw hyn yn golygu ar gyfer materion tyllau yn y dyfodol, a'r effeithiau ymarferol ar engineeriaid a'r rhai sydd yn pennu'r manylion.

Maint y her: Pam mae darganfod alloy yn anodd

I deall pam mae AI yn chwyddedig, rhaid i ni gyntaf deall maint y broblem gynllunio alloy.

Dychmychwch eich bod yn datblygu stalwch dwbl newydd ar gyfer gwasanaeth chwyddedig. Gallwch chi fod yn ystyried tua 10 elfen alwriaeth—cromiwm, nicl, molibdenwm, nitrogen, manganis, siliwon, copr, tungsten, carbon a rhagor. Gall pob elfen amrywio dros ystod o gydrannau. Lluosiwch y newidynnau hyn, ac mae'r posibiliadau cyfansoddol yn dod yn seryddol.

Cynigiodd ymchwilwr yn Laboratorîm Cenedlaethol Lawrence Livermore analogi sydd yn cofiadwy: "Dychmychwch eich bod yn bacio teisi i gael y fformiwla berffaith, felly penderfynwch ar arbrofi â thri cynhwysyn: siwgr, menyn a flour. Os byddwch yn profi pob cynhwysyn â 10 swm gwahanol, byddanoch angen bacio 1,000 o deisi i geisio pob cyfuniad bosibl. Nawr, dychmychwch eich bod yn profi â 20 neu 30 o gynhwysion—yn unwaith yn lle hynny, mae'r nifer o deisi y byddanoch angen eu bacio yn dod yn seryddol uchel—rhywle o amgylch 100 quintillion o gyfuniadau" .

Ar gyfer alwriau gwydr-metallic, mae ymchwilwyr wedi bod yn eu hadnabod dim ond ychydig filoedd o'r milioedd o bosibiliadau dros bum degawd . Ni all dulliau traddodiadol samplu'r gofod cynllunio hwn o faint yn effeithiol.

Sut mae AI yn newid datblygiad alwriau

Mae dulliau modern AI yn ymdrin â'r her hon drwy sawl techneg cymlwynol:

1. Modelau Dysgu Peiriant ar gyfer Rhagdybio Priodweddau

Gall modelau dysgu peiriant ragdybio priodweddau alwriau yn seiliedig ar gyfansoddiant a pharameidiau prosesu, gan leihau'n sylweddol angen profi corfforol. Dangosodd ymchwilwyr yn Prifysgol y Wladwriaeth Oregon hyn trwy ddatblygu model coed ar hap i ragdybio gwerthoedd cryfder taro Charpy ar gyfer steelen haearn dwbl wedi'u gweithio, gan galluogi asesiad cyflym o berfformiad yr alwriau heb ofyn am brofi corfforol eang .

Astudiaeth 2024 ar ddyluniad o stalwch dwbl anfeithianyddol gymharodd pedwar model ML—Cyd-gefydd Cyfagos K, Adraniad Ridge, Coeden Penderfynu, a Coed Fforest Arhapus—er mwyn rhagdybio gwrthwynebiad i wisgo a choriwsio. Cyrhaeddodd y model Coed Fforest Arhapus cywirdeb eithriadol â gwerthoedd R² o 0.90 ar gyfer microharddau a 0.87 ar gyfer rhagdybio potensial coriwsio . Gan ddefnyddio’r model hwn, sgriniodd ymchwilwyr 69,120 cyfuniad cyfansoddiad-proses mewn silico, gan adnabod tri chyfansoddiad dwbl newydd â phriodweddau wedi’u hymarfer .

2. AI Cynhyrchu ac Adeiladu Gwrthdro

Yn y tu hwnt i ragdybio priodweddau cyfansoddiadau hysbys, gall AI cynhyrchu awgrymu materion newydd yn llwyr. Rhagdybiodd AI Google DeepMind "GNoME" (Rhwydweithiau Graff ar gyfer Archwilio Materion) 2.2 miliwn o strwythurau cristal newydd , gan gynnwys 380,000 ymgeisien sydd yn debygol o fod yn sefydlog arbrofol. Mae miloedd o'r rhain yn cynrychioli cyngresiadau haenog tebyg i graffên a chyngresiadau trydanol bateri posibl .

Mwy o bwysigrwydd, nid yw'r rhain yn ragdybiaethau damweiniau yn unig. Mae mwy na 700 o grystalau a ragweddwyd gan GNoME wedi cael eu cynhyrchu'n annibynnol mewn labordyriau ar draws y byd, gan gadarnhau mai "ragdybiaethau'r model am grystaliau sefydlog yn adlewyrchu'r wirionedd yn uniongyrchol". .

3. Dysgu Peirianneg sydd wedi'i Seilio ar Ffiseg

Mae'r fframwaith sydd yn seiliedig ar ddata yn unig yn cynnwys cyfyngiadau, yn enwedig pan fydd y data hyfforddi yn anghyflawn. Mae'r dysgu peirianneg sydd wedi'i seilio ar ffiseg yn integru gwybodaeth arbenigol—thermodynameg, crys taleithlon, egwyddorion newid ffasi—yn uniongyrchol i'r modelau.

Y Fframwaith AutoMAT , a ddatblygwyd gan ymchwilwyr a'i dilysu trwy arbrofiadau, yn integro cymylau iaith mawr, symudiadau CALPHAD awtomatig, a chwiliad gyda'r AI i gyflymu cynllunio alloy. Mewn astudiaeth achos sydd yn targedu alloyau ysgafn, uchel cryfder, fe wnaeth AutoMAT adnabod alloy titaniam â 8.1% is na densrwydd a chryfder tyllio cymharol i gyfeirio at gyfeiriadau o'r fath—gan gyrraedd y cryfder penodol uchaf o blith pob cymharu—tra bod amserlenni darganfod yn cael eu lleihau o flynyddoedd i wythnosau .

4. Optimiziadur Bayesaidd a Dysgu Gweithgar

Mae optimiziadur Bayesaidd yn cynrychioli strategaeth o ddysgu gweithgar sy'n dewis yn gwybodus pa arbrofiadau i'w rhedeg nesaf. Yn hytrach na phrofi cyfansoddau'n hapdrin, mae'r AI'n gwerthuso pa ymgeisydd anhepgor fydd efallai'n gwneud y welliannau mwyaf ar nodweddion targed a'u hanogaethu fel arbrofiad. .

Dangosodd astudiaeth ar legerau cofio siâp sut gallai cylchoedd dan arweiniad Bayesaidd ddarganfod legerau newydd â hysteresis isel mewn dim ond 36 cam arbrofol —rhan fach iawn o'r ~800,000 cyfuniad yn y gofod chwilio .

Laboratoriau Hunan-gyrru: Cau'r Gylch

Y datblygiad mwyaf emosiynol mewn darganfod legerau cyflymach yw ymddangosiad laboratoriau hunan-gyrru —platfformau awtomatig sy'n integru cynllunio AI, cyndaredd robotig, a characterization annibynnol mewn system gylchgaeth.

Yr APEX Sylfaen

Yn Labordy Cenedlaethol Lawrence Livermore, mae ymchwilwyr yn datblygu APEX , sylfaen awtomatig ar gyfer argraffu 3D, prosesu a dadansoddi samplau alloy. Mae'r sylfaen yn cyfuno roboteg a dysgu peiriannau i weithio o amser i amser, gan gynllunio, adeiladu a phrofi alloyau newydd yn awtonomus .

Mae APEX yn defnyddio cynhyrchu ychwanegol gosodiad egni cyfeiriedig i adeiladu samplau haen wrth haen, yna'n eu tarwio, eu lacio a'u nodweddu'n awtomatig trwy ficrosgopia, profi caledwedd a phrofi cywasgedd. Y swyddogaethau sydd wedi cymryd diwrnodau â llaw yn cael eu cwblhau mewn oriau .

Nod arbennig o gysgaredig: mae APEX yn dal y "teimlad" o darwio trwy gysylltu sensïau chwyddo â'r offer, gan troi intuisiwn y gweithiwr sgiliedig yn ddata rhifol sydd yn arwain y brosesu awtomatig .

Polybot yn Argonne

Yn yr un modd, mae Labordy Cenedlaethol Argonne'n defnyddio Polybot mae'r robot yn creu a phrofi ffilmiau polymer yn awtomatig. Wrth wynebu tua milion o bosibiliadau ar gyfer rhaglenni prosesu, mae Polybot yn cynnal arbrawf 24/7 dan arweiniad AI, gan cyrraedd cynhwysiadurau'r ffilmiau sydd "yn cyfateb i'r safonau uchaf sydd ar gael ar hyn o bryd" ac yn cynhyrchu rhaglenni ar raddfa cynhyrchu ar gyfer defnydd mewn diwydiant .

Beth mae hyn yn ei olygu ar gyfer materion pibellau dyfodol

I peirianwyr a rheoliwyr sydd yn gweithio â phibellau alwriaeth, mae'r datblygiadau hyn yn cynnwys effeithiau llwyddiant:

1. Alwriaethau penodol ar gyfer pobrhannau penodol

Yn yr hen oesoedd, targedodd datblygiad alwriaethau rhaglenni eang. gallai gradd dwbl newydd weithio ar draws y diwydiant olew a nwy, prosesu cemegol, a chymwysiadau morol. Mae AI yn galluogi ddylunio ar alw alwriaethau sydd wedi'u optimeiddio ar gyfer cymwysiadau penodol a chyflwr gwasanaeth .

Dychmygwch eich bod yn pennu cynnau ar gyfer cyflwr gwasanaeth o uchel-temperatur, CO₂ uchel, ac yn ychydig yn chwyddedig. Yn hytrach na dewis o raddau presennol (sydd i gyd yn gyfnewid), gallwch orchymyn alwriaeth sydd wedi ei ddewisiadu gan AI yn union i'r amgylchedd hwn—uchafu perfformiad tra bo'ch yn lleihau cost yr alwriaeth.

Mae ymchwil yn Brifysgol Porto yn datblygu modelau cyfrifiadurol yn benodol ar gyfer "design ar ofyn o alwriaethau haearnwyr dwbl o dan yr unen" gan ddefnyddio dysgu peirianyddol a technegau lleihau trefn y model . Mae'r gallu hwn yn ein symud tuag at dyfodol ble mae alwriaethau'n cael eu peiriannu ar gyfer rhaglen benodol yn hytrach na'u haddasu o raddau cyffredinol.

2. Cymeradwyaeth Cyflymach

Un o'r barrierau mwyaf i fabwysiadu alwriaeth newydd yw cymeradwyaeth. Er hyd yn oed ar ôl datblygu, mae materion newydd yn gofyn am brofiadau hirach i gynhyrchu data cynllunio, achosion cod, a chymeradwyaeth yr diwydiant.

Mae AI yn cyflymu'r broses hon trwy:

• Modelu rhagfarnu o berfformiad hir-dymor (creep, tiredrwydd, corrosion)

• Profiadau cyflymach arweiniwyd gan ddysgu gweithredol i ganolbwyntio ar amodau hanfodol

• Cymhwyster rhaglennol trwy fodelau a gadarnhaoddwyd sydd yn lleihau'r gofynion ar gyfer profi corfforol

Dangosodd prosiect KIMETRO yn Fraunhofer IMS sut y gall AI benderfynu paramedrau prosesu optimaidd ar gyfer pibellau metel, gan sicrhau ansawdd cyson ac efallai'n caniatáu cymhwyster alloyiau newydd â llai o brofi corfforol gan ddefnyddio try-aciad-gwall .

3. Cynnydd yn Ystyr Perfformiad

Mae alloyiau a gynlluniodd AI eisoes yn cyrraedd priodoleddau sydd tu hwnt i deithliau traddodiadol. Llwyddodd fframwaith AutoMAT i gyrraedd gwella 28.2% yn crynodiad ystyrlon ar gyfer alloyiau uchel-entropi o'i gymharu â chyfansoddau sylfaenol . Cyrraeddodd alloyiau elfen lluosog a darganfuwyd drwy optimeiddio Bayesaidd gwerthoedd harddau Vickers hyd at 1269 HV , cynnydd o 7% dros benchraddiau blaenorol .

I gynhwysau pibellau, mae hyn yn cyfieithu i:

• Cryfder uwch sy'n caniatáu walioedd tywaliach a phwysau ychwanegol

• Gwell resistiad corffniad er mwyn hyd defnydd hirach

• Gwell cymaradwyaeth i weldio trwy gyfansoddau wedi eu hymharu

• Cryfder gwellaed ar wahanol resymau tymheredd

4. Optimizatio Costau

Nid yw AI yn optimizu perfformiad yn unig—gall hefyd optimizu costau. Trwy archwilio cyfansoddau sydd yn lleihau elfennau alloy rh expensive (nichel, molibdenwm, cobalt) tra bod priodoleddau'n cael eu cadw, gall AI adnabod amgenion is-gost sydd yn cyd-fynd â gofynion y ceisiad.

Suggesodd yr astudiaeth gan Prifysgol Stafell Oregon graddau duplex isel (2101, 2003) fel amgenion is-gost posib ar gyfer ceisiadau niwclear, ac yn helpu'r dysgu peiriannu i ragfynegu eu hymddwyniad a'u terfynau defnydd. .

Cyflwr Ymarferol ar gyfer Peirianwyr

Beth yw'r hyn o beryglu ar gyfer peirianwyr sydd yn pennu materion pibellau heddiw a'r dyfodol agos?

Yn y cyfnod agos (1–3 blwyddyn)

• Offer gwella dewis materion: Bydd cronfa data sydd wedi'i gynllunio gan AI yn darparu rhagdybiau mwy cywir o briodweddau alloyadau presennol, gan helpu dewis graddau optimaidd ar gyfer amgylchiadau penodol.

• Datrys problemau'n gynta: Pan fydd problemau yn codi oherwydd methiannau materion, bydd offer AI yn cyflymu dadansoddiad y prif achosion ac yn cynnig cyfansoddau amgen.

• Rheoli ansawdd gwella: Bydd systemau archwilio gweledol sydd wedi'u gynllunio gan AI yn adnabod camgymeriadau ar wyneb a chamgymeriadau microstrwythu â chywirdeb uwch na threchu dynol. .

Yn y cyfnod canolig (3–7 blwyddyn)

• Alloyadau a gynlluniwyd gan AI sydd ar gael i'w werthu: Bydd y don cyntaf o legerau a ddatblygwyd trwy AI yn cyrraedd y farchnad, wedi eu hymharu ar gyfer rhaglen benodol fel gwasanaeth hidrogen neu allforio dwfn-môr.

• Amserlenni cymhwyso sydd wedi'u lleihau: Bydd codau ac amcanion diwylliannol yn dechrau cynwys priodweddau a ragweldir gan AI ynghyd â data profi traddodiadol.

• Deulifonau digidol ar gyfer perfformiad materiol: Bydd deulifonau digidol sydd â chynnydd gan AI yn symudio perfformiad hir-dro dan amgylchiadau gwasanaeth go iawn. .

Hir-dro (7–15 blwyddyn)

• Cynhyrchu legerau ar alwad: Bydd manufacturing ychwanegol ynghyd â ddylunio gan AI yn galluogi cynhyrchu legerau penodol ar gyfer cydrannau hanfodol. .

• Materion hunan-gofalu: Bydd legerau a gynllunwyd gan AI â sensio mewnol a ffasiau sydd yn ymateb yn adnabod a hadredu niweidiadau'n awtonomus.

• Cymhwysiad rhaglenol llawn: Bydd alloyau newydd yn cael eu cymhwysu yn bennaf trwy fodelau a gadarnhawyd, gan ddefnyddio profi corfforol fel cadarnhad terfynol yn hytrach na phroof cyntaf.

Yr Elfen Dynol: Peirianwyr yn Oesoedd AI

Er y cynraddiadau hyn, mae ymchwilwyr Prifysgol Stad Oregon yn penlinio bod AI yn ychwanegu at arbenigedd dynol yn hytrach na'i amnewid. Defnyddiodd eu hastudiaeth "dulliau dysgu peiriannu i wahanu gwerthoedd cryfder taro Charpy" ac "penodau elfennau alloy sydd efallai'n cynnwys cydberthnasoedd cryfach â harddwch alloy", ond cyfarddeodd metallurgwyr dynol y canlyniadau ac arweiniodd ymchwiliad arbrofol. .

Fel y sylwodd Steven R. Spurgeon, gwyddonydd data materion yn NREL: "Nid dim ond am gyflymu darganfyddiad yw'r chwyddwydd go iawn mewn gwyddoniaeth awtonomus, ond am ailsiapio'r llwybr o syniad i effaith yn llwyr." .

Mae rôl y peirianwr yn datblygu o archwilio posibilidades â llaw i:

• Pennu'r problemau a'r cyfyngiadau cywir i'w datrys gan AI

• Dehongli mewnysiadau a gynhyrchir gan AI yn y cyd-destun o gymwysiadau byd go iawn

• Cyflwyno'r rhwymedigaeth rhwng alloydd a gynhyrchir gan gyfrifiadur a phroductau sydd yn bosibl eu cynhyrchu

• Gwarantu bod ystyriaethau ar gyfer posibilrwydd cynhyrchu a chylchred oes wedi'u mewnforio i nodweddion AI

Heriau a Threfniadau

Mae'r chwyddwr AI mewn datblygu alloydd yn wynebu heriau go iawn:

Ansawdd a Chyrraedd Data

Nid oes modelau dysgu peiriannau yn well na'u data hyfforddi. Mae llawer o ddata am berfformiad alloydd yn y byd yn gorwedd mewn cronfeydd data corfforaethol eiddo i gwmnïau neu mewn llyfrau nodiadau labordy nad ydynt wedi'u digido. Parhaodd adeiladu setiau data cyflawn a chyda ansawdd uchel yn her sylweddol .

Y 'Dyffryn Marwolaeth'

Fel y nododd un ymchwilwr o DeepMind, "Gall AI awgrymu materion ar raddfa a roedd hi'n anamcanol o'i flaen, ond a all y materion hynny gael eu dilysu, eu graddio i raddfa fwy ac eu cymhwyso ar gyfer yr diwydiant?" mae cyfansoddi sampl ar raddfa labordy yn bell o gynhyrchu tunnoedd o gŵn sydd wedi'u dilysu. Mae cyflwyno'r rhwymedigaeth hon yn gofyn am ymarferion peirianneg newydd a chreuadau mewn manufacturing.

Cymeradwyaeth o Gôd a Safonau

Codau'r diwydiant (fel ASME B31.3, Adran VIII ASME, etc.) yn datblygu yn araf. Hyd yn oed alloy sydd wedi ei gynllunio gan AI a ymddangosir fel mwyaf addawol na chaniateir ei ddefnyddio mewn rhaglenni sydd dan reoli codau tan i'w gynnwys yn y safonau perthnasol. Bydd y rhwymiad hwn yn oedi cynhyrchu materion sydd wedi eu hymarferu gan AI mewn diwylliannau sydd dan reoli.

Hawliau Llyfrgell

Pan mae AI yn dyfeisio cyfansoddair newydd o alloy, pwy sydd â'r eiddo arno? Yr hunanfyddiwr o'r AI? Y gweithredwr a ddiffiniodd y paramedrau chwilio? Y sefydliad a ariannodd y gwaith? Parhaa'r cwestiynau hyn yn bennaf heb eu datrys.

Crynodeb: Oesoedd newydd ar gyfer materion tyllau

Nid yw AI yn cyflymu datblygiad alloy yn unig—ond yn newid sylfaenol yr hyn sydd yn bosibl. Mae'r eheddiad cyfunol sydd wedi gwneud archwilio alloy yn llawn yn amhosibl nawr yn dod yn hygyrch trwy dysgu peiriannau, modelau genedigaethol, a labordyriau awtonomus.

Ar gyfer materion tyllau, mae hyn yn golygu:

• Alloyau sydd wedi'u hymarferu ar gyfer ceisiadau penodol yn hytrach na chyfres o gyfyngiadau ar gyfer defnydd cyffredinol

• Ymateb cyntyrach i heriau sydd yn codi (cludiant hydrogen, gwasanaeth eithafol o danfwydd, CO₂ ar wres uchel)

• Gostyngiad ar y cost a'r amser ar gyfer datblygu materion newydd

• Cynhwysydd perfformiad uwch sydd yn ymestyn y ffiniau o'r hyn sydd yn bosibl

Ni fydd y trosglwyddo yn digwydd mewn un nos. Bydd colliadau data, gofynion cymhwystra a thryloywedd yr industry yn arafu'r mabwysiadu. Ond mae'r cyfeiriad yn glir: ni fydd y llafur pibell nesaf a gwerthfawrach yn cael ei ddarganfod trwy geisio a chamau — bydd ei gyfrifo.

Fel y dywedodd Mason Sage, y prif ymchwilydd ar gyfer y platfform APEX: "Ein nod terfynol yw gwneud APEX yn y laboratorium cyntaf sydd yn gyrru'i hun ar gyfer darganfod alloyau, sydd yn gallu gweithio 24 awr y dydd i gasglu data arbrofol a chynllunio, adeiladu a phrofi alloyau newydd yn annibynnol" . Mae'r dyfodol hwn yn agosach na fyddem yn meddwl.

I beirniaid a rhagnyddwyr, mae bod yn fwy na chyfarwydd â'r datblygiadau hyn yn hanfodol. Efallai nad yw'r alloyau rydych yn eu pennu mewn degawd eto yn bodoli — ond maen nhw eisoes yn cael eu cynllunio gan algorithmau sydd yn rhedeg heddiw.

Ynghylch yr Awdur: [Eich Enw] yn dod â [X] mlynedd o brofiad mewn peirianneg materion a rheoli'r gylchlogi cyflenwi ar gyfer rhaglen alloy hanfodol. [Mae e/hi/mae nhw] yn monitro technolegau sydd yn codi yn y meithreli a'u heffeithiau ar ymarfer diwylliannol.

Y prif bethau i'w dysgu