Một kỹ thuật mới đã cho phép đo lường chính xác các đặc tính biến dạng bằng các công cụ đo độ cứng nano (nanoindentation).

Thông thường, phương pháp tiêu chuẩn để thử nghiệm một số tính chất cơ học của chất liệu là một mũi đo nhọn. Phương pháp này được gọi là “đo độ cứng” (indentation), với khả năng đo lường chi tiết phản ứng của chất liệu trước lực tác động của mũi đo, tính bằng chiều sâu của vết đo.

Với các tiến bộ trong công nghệ nano của 2 thập kỷ vừa qua, lực đo độ cứng đã có thể được đo chính xác tới 1/1.000.000.000 N (tương đương với áp lực khi đặt một quả táo cỡ vừa lên lòng bàn tay), còn chiều sâu vết đo đã có thể đo chính xác tới từng Nanômét (nm), tương đương với 1/100.000 đường kính của một sợi tóc người. Những công cụ chính xác như vậy đã mở nhiều cơ hội hơn cho việc khám phá các tính chất vật lý của nhiều chất liệu, trong đó bao gồm kim loại, hợp kim, nhựa, gốm và chất bán dẫn.

Tuy nhiên, các kỹ thuật đo độ cứng, bao gồm cả đo độ cứng nano, đều chỉ hiệu quả với một số tính chất cụ thể, trong khi lại xảy ra sai số lớn khi đo độ dẻo của chất liệu – tức độ biến dạng vĩnh viễn khi xảy ra tác động lực. Ví dụ: khi nhấn ngón tay lên chất liệu, khi bẻ chất liệu. Trong nhiều ứng dụng công nghiệp, các bài kiểm tra nói trên có thể là rất quan trọng, đặc biệt là trong sản xuất, chế tạo truyền thống và tiên tiến (in 3D) các cấu trúc kim loại, đảm bảo chất lượng vật liệu cho các bộ phận kỹ thuật, tối ưu hóa hiệu quả và chi phí. Song, những bài kiểm tra độ cứng và phương pháp đo lường tính chất quan trọng hiện tại lại thường cho kết quả thiếu chính xác.

Đối phó với vấn đề này, một đội ngũ nghiên cứu quốc tế bao gồm các nhà nghiên cứu tới từ MIT, Đại học Brown và Đại học Công nghệ Nanyang (NTU) tại Singapore, đã cùng nhau phát triển ra một kỹ thuật phân tích mới, có khả năng cải thiện các ước tính về tính chất cơ học của những chất liệu kim loại, với độ chính xác gấp 20 lần so với các phương thức hiện hành. Nghiên cứu này đã được đăng tải trên tập san của Viện Hàn lâm Khoa học Quốc gia Hoa Kỳ, dưới dạng một công trình kết hợp các thử nghiệm đo độ cứng với mô hình máy tính của chất liệu, sử dụng các công cụ machine learning tiên tiến nhất.

Cụ thể, đội ngũ bao gồm: co-lead và senior author Ming Dao – một nhà nghiên cứu chủ chốt tại MIT, và senior author Subra Suresh, Giáo sư Vannevar Bush tại MIT – chủ tịch kiêm giáo sư tại NTU Singapore. Đồng tác giả còn có: Sinh viên Tiến sỹ Lu Lu, Giáo sư George Em Karniadakis, thuộc Đại học Brown, cùng với hai nghiên cứu viên Punit Kumar và Giáo sư Upadrasta Ramamurty, thuộc NTU Singapore.

Sơ đồ minh họa quá trình trích xuất tính chất cơ học từ các bài đo độ cứng. Rất khó để đo được ứng suất chảy dẻo (yield strength) và thuộc tính phi tuyến cơ học từ các phép đo này. Nguồn: các nhà nghiên cứu.

Những thử thách “nhỏ” vượt ngoài độ co dãn

Đo độ cứng là một phương thức kiểm tra tính chất cơ học hiệu quả” Dao chia sẻ, đặc biệt là trong điều kiện có ít mẫu thử. “Khi phát triển ra một chất liệu mới, thường ta chỉ có một số lượng rất nhỏ, và ta có thể sử dụng phép đo độ cứng hoặc đo độ cứng nano với những lượng nhỏ này.”

Các phép đo này sẽ cho độ chính xác cao khi điều kiện có tính co dãn – tức vật liệu có khả năng phục hồi trạng thái ban đầu sau khi thực hiện đo. Tuy nhiên, khi lực tác động vượt quá ứng suất chảy dẻo của chất liệu – tức để lại dấu vết dài hạn trên bề mặt – tức khi xảy ra biến dạng dẻo, thì độ chính xác sẽ giảm đi rất nhiều. Trên thực tế, theo Dao, vẫn chưa có phương pháp phổ biến nào có thể cho kết quả đáng tin trong trường hợp này.

Theo giải thích của Dao, phép đo độ cứng có thể đo được độ cứng của chất liệu, song “độ cứng chỉ đơn giản là kết hợp từ tính chất đàn hồi và dẻo của một chất liệu. Nó không phải một thông số hoàn hảo, có thể được sử dụng trực tiếp cho thiết kế…Nhưng ở những tính chất vượt quá ứng suất chảy dẻo thì hạn mức lực tác động lên chất liệu gây ra biến dạng vĩnh viễn lại là một thông số quan trọng, để đánh giá mức độ phù hợp của chất liệu khi áp dụng trong kỹ thuật.”

Một phương pháp cần tới số ít dữ liệu chất lượng cao

Phương pháp mới sẽ không yêu cầu phải thay đổi bất cứ công tác hay trang thiết bị thí nghiệm nào, mà thay vào đó, sử dụng dữ liệu theo cách khác để cải thiện tính chính xác của dự đoán. Thông qua một hệ thống mạng nơ-ron machine learning, đội ngũ nghiên cứu đã phát hiện rằng, việc phối hợp cẩn trọng dữ liệu thí nghiệm thật với dữ liệu “nhân tạo” được tổng hợp từ máy tính với những độ chính xác khác nhau (một phương pháp deep learning dạng “multi-fidelity” – tức đa trung thực) sẽ có thể tạo ra dữ liệu đơn giản, nhanh chóng, mà chính xác, để sử dụng trong thử nghiệm chất liệu cho ứng dụng công nghiệp.

Thông thường, các phương pháp machine leanring truyền thống sẽ cần tới rất nhiều dữ liệu chất lượng cao. Tuy nhiên, những thí nghiệm chi tiết trên mẫu thử chất liệu lại cần tới rất nhiều thời gian và chi phí để thực hiện. Trong khi đó, đội ngũ nghiên cứu lại phát hiện rằng, việc huấn luyện mạng nơ-ron bằng dữ liệu nhân tạo với chi phí thấp, sao đó phối hợp với một số ít điểm dữ liệu thí nghiệm thật – chỉ khoảng từ 3 tới 20 mẫu, so với 1.000 mẫu ở phương thức thông thường – sẽ có thể cải thiện đáng kể kết quả đầu ra. Ngoài ra, họ cũng sử dụng các cơ chế chia tỷ lệ nhằm giảm số lượng bộ dữ liệu huấn luyện cần dùng để thỏa mãn những thông số cần cho các kim loại và hợp kim trong kỹ thuật.

Những nhà nghiên cứu cũng thấy rằng, hầu hết quá trình huấn luyện vô cùng dài đều có thể được thực hiện từ trước, sau đó chỉ cần huấn luyện “căn chỉnh” đánh giá số ít các kết quả thí nghiệm thật mà vẫn cho kết quả có độ chính xác cao.

Minh họa các đặc điểm chính và lợi thế của phương thức deep learning theo “multi-fidelity” mới. Nguồn: các nhà nghiên cứu.

Ứng dụng trong sản xuất kỹ thuật số và nhiều hơn nữa

Những phương thức deep learning multi-fidelity này đã được công nhận bằng cả hợp kim nhôm được sản xuất theo cách truyền thống và hợp kim titan được in 3D.

Giáo sư Javier Llorca, Giám độc Khoa học của Viện Vật liệu IMDEA tại Madrid, người không hề có liên hệ với công trình này, đã nêu quan điểm: Cách tiếp cận này đã tận dụng được các chiến thuật machine learning mới, để cải thiện độ chính xác của dự đoán, nâng cao tiềm năng của việc nhanh chóng xác định các tính chất cơ học trên nhiều vùng thành phần in 3D, từ đó cho ra những thiết kế chính xác hơn.”

Tương tự, Giáo sư Ares Rosakis đến từ Caltech, cũng chia sẻ rằng, cách tiếp cận này sẽ nâng cao đáng kể hiệu suất máy tính, cũng như mang lại độ chính xác trong dự đoán về tính chất cơ học cao hơn bao giờ hết… Song, quan trọng hơn cả là nó cung cấp một quan điểm hoàn toàn mới về việc đảm bảo sự đồng nhất về cơ học cũng như khả năng tái sản xuất các thành phần in 3D với cấu trúc hình học phức tạp, một điều hầu như là bất khả thi nếu sử dụng các phương thức truyền thống.”

Trên lý thuyết, cơ chế cơ bản này sẽ có thể được nhân rộng và phổ cấp lên nhiều vấn đề machine-learning khác. Dao cũng nói: “Theo tôi nghĩ, ý kiến này có thể được khái quát hóa để giải quyết các khó khăn khác trong kỹ thuật”. Việc sử dụng dữ liệu thí nghiệm thật sẽ bù lại cho những điều kiện lý tưởng được giả định trong dữ liệu nhân tạo – rằng mũi đo sẽ sắc một cách hoàn hảo, vật liệu thì hoàn toàn không nhám… Ngoài ra, theo Dao, sử dụng dữ liệu “lai” (hybrid) như trong cơ chế này sẽ bao hàm được cả những tình huống lý tưởng và thực tế, giúp giảm đáng kể sai số.

Công trình này được hỗ trợ bởi Phòng Nghiên cứu Quân đội, Bộ Năng lượng Mỹ, và Giáo sư Đại học Xuất sắc tại Đại học Công nghệ Nanyang.

Theo MIT News

 

Tin liên quan: