Un nuevo algoritmo desarrollado en el Imperial College London permite convertir imágenes 2D de materiales compuestos en estructuras 3D.

El algoritmo de aprendizaje automático podría ayudar a los científicos y fabricantes de materiales a estudiar y mejorar el diseño y la producción de materiales compuestos como electrodos de batería y piezas de aviones en 3D.

Utilizando datos de secciones transversales 2D de materiales compuestos, que se obtienen combinando diferentes materiales con propiedades físicas y químicas distintas, el algoritmo puede expandir las dimensiones de las secciones transversales para convertirlas en modelos computarizados 3D. Esto permite a los científicos estudiar los diferentes materiales o “fases” de un material compuesto y cómo encajan entre sí.

La herramienta aprende cómo se ven las secciones transversales 2D de compuestos y las escala para que sus fases se puedan estudiar en un espacio 3D. En el futuro, podría utilizarse para optimizar los diseños de este tipo de materiales permitiendo a los científicos y fabricantes estudiar la arquitectura en capas de los compuestos.

Los investigadores descubrieron que su técnica era más barata y más rápida que la creación de representaciones informáticas en 3D a partir de objetos físicos en 3D. También pudo identificar más claramente las diferentes fases dentro de los materiales, lo que es más difícil de hacer con las técnicas actuales.

Los hallazgos se publican en Nature Machine Intelligence.

El autor principal del artículo, Steve Kench, estudiante de doctorado en el grupo de Herramientas para el aprendizaje, el diseño y la investigación (TLDR) de la Escuela de Ingeniería de Diseño Dyson de Imperial, dijo en un comunicado: “La combinación de materiales como compuestos le permite aprovechar las mejores propiedades de cada componente , pero estudiarlos en detalle puede ser un desafío ya que la disposición de los materiales afecta en gran medida el rendimiento. Nuestro algoritmo permite a los investigadores tomar sus datos de imagen 2D y generar estructuras 3D con las mismas propiedades, lo que les permite realizar simulaciones más realistas “.

Estudiar, diseñar y fabricar materiales compuestos en tres dimensiones es actualmente un desafío. Las imágenes 2D son baratas de obtener y brindan a los investigadores alta resolución, amplios campos de visión y son muy buenas para diferenciar los diferentes materiales. Por otro lado, las técnicas de imágenes en 3D suelen ser caras y comparativamente borrosas. Su baja resolución también dificulta la identificación de diferentes fases dentro de un compuesto.

Por ejemplo, los investigadores actualmente no pueden identificar materiales dentro de los electrodos de la batería, que consisten en material cerámico, aglutinantes polimétricos de carbono y poros para la fase líquida, utilizando técnicas de imagen 3D.

En este estudio, los investigadores utilizaron una nueva técnica de aprendizaje automático llamada “redes adversas generativas convolucionales profundas” (DC-GAN) que se inventó en 2014.

Este enfoque, en el que se crean dos redes neuronales para competir entre sí, es el núcleo de la herramienta para convertir 2D a 3D. A una red neuronal se le muestran las imágenes 2D y aprende a reconocerlas, mientras que la otra intenta hacer versiones 3D “falsas”. Si la primera red mira todos los cortes 2D en la versión 3D “falsa” y cree que son “reales”, entonces las versiones se pueden usar para simular cualquier propiedad de los materiales de interés.

El mismo enfoque también permite a los investigadores ejecutar simulaciones utilizando diferentes materiales y composiciones mucho más rápido de lo que era posible anteriormente, lo que acelerará la búsqueda de mejores compuestos.

Fuente: europapress.es