การหาคุณสมบัติความแข็งของวัสดุโดยใช้ machine learning

            ปัจจุบันข้าวของเครื่องใช้ต่างๆไม่ว่าจะเป็น โทรศัพท์มือถือ คอมพิวเตอร์ ทีวี รวมถึง ยานพาหนะที่เราใช้เดินทางนั้น ล้วนแต่เกิดจากการวัสดุที่นำมาผลิตแตกต่างกันไป ดั่งเช่น หน้าจอมือถือใช้กระจก หรือ ตัวมือถือใช้อะลูมิเนียม ในการประกอบตัวเครื่อง รวมถึงยานพาหนะ เช่น รถยนต์และรถจักรยานยนต์เป็นต้น ล้วนแต่ใช้วัสดุอะลูมิเนียมอัลลอย ในการขึ้นโครงรถด้วยทั้งนั้น โดยที่วัสดุพวกนี้จะต้องมีความแข็งแกร่ง ทนทาน ไม่แตกหัก เปราะ หรือ เสียรูปไปจากเดิมได้ง่ายๆ แต่ก่อนที่เราจะนำวัสดุชนิดนึงมาใช้กับงานที่เราต้องการขึ้นรูป หรือ ประกอบอะไรซักอย่าง เราอยากรู้ว่าวัสดุชนิดไหนมีความแข็งมากที่สุด เราจะต้องทดสอบความแข็งแรง และ ความทนทานของวัสดุชนิดนั้นๆเสียก่อน ซึ่งสมัยก่อนนี้การทดสอบความแข็งแรงของวัสดุนั้นจะกระทำโดยใช้เครื่องกดที่มีหัวเพชรกดลงไปเพื่อดูว่า วัสดุนั้นมีความทนทานเท่าใด ต่อแรงกดกระทำต่อตัววัสดุ กว่าจะหาวัสดุที่แข็งแรงทนทานต่อแรงกระทำนั้น ก็เสียเวลาเป็นอย่างมากในการทดสอบวัสดุในแต่ละชนิด 


          แต่เมื่อไม่นานมานี้ได้มีนักวิจัยจาก the University of Houston และ Manhattan College ได้ทำการศึกษาวิจัยโดยกานำ การเรียนรู้ของเครื่องหรือที่เรารู้จักกันดีในชื่อ machine learning นั้นมาช่วยในการหาวิเคราะห์ความแม่นยำในการหาวัสดุใหม่ที่มีความแข็งแรงมาก ๆ ที่เหมาะสำหรับนำไปขึ้นรูปและประกอบชิ้นส่วนเข้ากับงานวิจัยในอุตสาหกรรมต่อไป ซึ่งในงานวิจัยชิ้นนี้ได้ถูกตีพิมพ์ลงในวรสารวัสดุศาสตร์ที่มีชื่อว่า Advanced Material ในทางทฤษฎีวัสดุที่มีความแข็งแรงมาก ๆนั้นจะต้องมีแรงกดที่กระทำต่อตัววัสดุที่นำมาทดสอบนั้นจะต้องได้ค่าความแข็งที่มากกว่า40จิกะปาสคาลในหน่วยวิกเกอร์(Vicker Scale) โดยที่ทางทีมวิจัยนั้นได้ทำการออกแบบการทดลอง โดยการนำการเรียนรู้ของเครื่อง หรือ machine learning มาทำการทำนายและวิเคราะห์จากการทดสอบความแข็งชองวัสดุแบบวิกเกอร์ โดยที่ขึ้นอยู่กับส่วนประกอบของทางเคมีของวัสดุเท่านั้น โดยการนำโบโรคาร์ไบด์(Borocarbide) เฟสที่มีความเสถียรมากมาใช้ในการวิเคราะห์ร่วมกันกับmachine learning โดยจำนวนชุดข้อมูลของสารประกอบนั้นทั้งหมด560ข้อมูล เพื่อใช้ในการวิเคราะห์หาค่าความแข็งของวัสดุ โดยอ้างอิงชุดข้อมูลจากสารประกอบแต่ละตัวที่มีค่าการสูญเสียความแข็ง ร่วมกันกับพื้นฐานการคำนวนความแข็งของวิกเกอร์ จากนั้นนำชุดข้อมูลในแต่ละส่วนมาเปรียบเทียบกัน

            จากผลการทดลองวิเคราะห์สารประกอบของวัสดุโดยใช้การเรียนรู้ด้วยเครื่อง(machine learning) นั้น ผลปรากฏว่า จำนวนชุดข้อมูลทั้งหมด560ข้อมูลที่นำมาวิเคราะห์รวมทั้งโบโรคาร์ไบต์นั้น มีความแม่นยำถึง97เปอร์เซนต์เมื่อเทียบกับการทดลองวัสดุแบบดั่งเดิม ซึ่งจากผลการทดลองนั้น ทางทีมวิจัยยังได้กล่าวอีกว่า การคำนวนและวิเคราะห์โดยใช้การเรียนรู้ด้วยเครื่อง(Machine Learning) นั้นยังมีข้อจำกัดอยู่บางประการ ไม่ว่าจะเป็นจำนวนพารามิเตอร์ที่ใส่ อีกทั้งระเบียบวิธีในการคำนวณอาจจะมีผลของความคาดเคลื่อนอยู่บ้าง อีกทั้งการเรียนรู้ของเครื่อง(Machine Learning)นั้นเป็นเพียงแค่เครื่องมือที่ช่วยในการค้นหาวัสดุ และ ลดระยะเวลาได้มากยิ่งขึ้นและในอนาคตข้างหน้าสืบต่อไป


          ก่อนจะจากกันไปบางคนพออ่านถึงตรงนี้อาจจะมีคำถาม และ สงสัยที่ว่า วิกเกอร์สเกล การทดสอบความแข็งของวัสดุโดยวิธีวิกเกอร์(Vicker Hardness) คืออะไรกันแน่ มาตามผมมา เดี๋ยวจะพาไปให้ถึงบางอ้อเอง ก่อนอื่นเราไปรู้จักการวัดความแข็งกันก่อน การวัดความแข็ง(Hardness)นั้น เป็นการวัดคุณสมบัติเชิงกลพื้นฐาน ไม่ว่าจะเป็น ความต้านทานแรงดึง ความเหนียว ความทนต่อการสึกหรอ ระเบียบวิธีการวัดความแข็งใน ณ ปัจจุบัน มี2แบบด้วยกันที่จะยกตัวอย่างมาเริ่ม 1. การทดสอบแบบบริเนลล์ (Brinell Hardness Test) อาศัยการกดของหัวกดทรงกลมที่ผลิตจากเหล็กกล้าชุบแข็ง ซึ่งมีขนาดเส้นผ่านศูนย์กลาง D ลงบนพื้นผิวชิ้นงานทดสอบด้วยแรงกด F โดยที่คงค่าแรงกดเป็นระยะเวลา 10 ถึง 15 วินาทีสำหรับวัสดุประเภทเหล็กหรือเหล็กกล้า และในอีกแบบนึงจะยังคงค่าแรงเป็นระยะเวลา 30 วินาทีสำหรับโลหะอ่อน เช่น อะลูมิเนียม และทองเหลือง เป็นต้น ทำให้เกิดรอยกดที่มีความลึกบนผิวชิ้นงานวัสดุ และสามารถคำนวนหาค่าความแข็งของบริเนลล์ได้ที่            นี่คือ หลักการทดสอบความแข็งของวัสดุ ที่ทางผู้เขียนนั้นมาขยายความเพื่อให้เข้าใจถึง ระเบียบวิธีการคำนวนและทดลอง เพื่อหาความแข็งของวัสดุต่างๆเป็นต้น

 

ที่มา

• https://phys.org/news/2020-12-machine-boosts-superhard-materials.html
• https://onlinelibrary.wiley.com/doi/epdf/10.1002/adma.202005112
• http://www.tpa.or.th/writer/read_this_book_topic.php?pageid=10&bookID=1818&read=true&count=true
• https://www.sciencedirect.com/topics/materials-science/vickers-hardness