Extrémním teplotám kolem 600 stupňů Celsia jsou ocelové materiály vystaveny v některých technologiích obnovitelných zdrojů energie, jako jsou kapaliny pro přenos tepla v koncentrované solární energii, parní turbíny a spalování vodíku. Slibným řešením pro jejich ochranu jsou cenově dostupné a vysoce účinné povlaky, které se nanesou jako nátěry a jsou známé jako Slurry Coatings.
„S cílem urychlit vývoj a usnadnit predikci životnosti těchto povlaků zkoumáme potenciál metod strojového učení. V rámci tohoto výzkumu jsme využili symbolickou regresi pro modelování vlivu tloušťky suspenze (barvy) nanesené na ocelový povrch na tloušťku hotového povlaku. Tento přístup poskytuje užitečný nástroj pro průmyslové aplikace a ukazuje se jako efektivní při komplexních systémech závislých na několika parametrech,“ objasnil Vladislav Kolarik z Fraunhofer ICT, podle nějž modelování založené na datech pomocí symbolické regrese představuje účinný nástroj ve srovnání s fyzikálními modely v případě, kdy systém závisí na několika parametrech, u nichž síla jejich vlivu není známa.
Paralelně s tím byl vyvinut algoritmus strojového učení, který automaticky vyhodnocuje relevantní parametry charakterizující povlaky z fotografií z elektronové mikroskopie. Vědci vypracovali metodiku usnadňující trénování algoritmu v případě omezeného množství dostupných mikrofotografií. Získané parametry slouží jako vstupní data pro výpočty modelů pomocí symbolické regrese. Aktuálně probíhá testování algoritmu na souboru mikrofotografií konkrétního povlakového systému.
První výsledky společného výzkumu byly prezentovány na vědeckých konferencích a ve fázi příprav je několik publikací, které osloví jak komunitu informatiků, tak i materiálových vědců.
Text: Martina Šaradínová, PR specialistka pro VaV
Foto: archiv VK