Álláshirdetések
Events / Courses
Legfrissebb híreink
Arra kérik a franciákat, hogy „vezessenek úgy, mint a nők"
2024.05.20 12:21Nincs szociális érzéke az önvezető autóknak
2024.05.20 08:18Már gyógyszereket is lehet 3D nyomtatni
2024.05.20 04:17Miért kell szabályozni a mesterséges intelligenciát? Elmagyarázzuk
2024.05.19 16:16Autopro Blog
Autopro a Facebookon
Galériáink
Gépi tanulással tervezhetők kényelmesebb maszkok
Az amerikai Rensselaer Polytechnic Institute kutatása arra irányul, hogy a mesterséges intelligencia és a gépi tanulás segítségével olyan szálas, porózus anyagokat készítsenek, amik kiszámíthatóan reagálnak a hőmérséklet vagy éppen a páratartalom változására.
Az Egyesült Államok kormánya által finanszírozott alapítvány támogatásával, a Utahi Egyetem kutatóival együttműködve a Rensselaer Polytechnic Institute kutatói olyan alkalmazásokat kutatnak, amik segítségével előre megjósolható lesz a szálas, porózus anyagok reakciója a külső körülmények változására.
A kutatás talán legaktuálisabb ága, hogy vizsgálják a szájmaszkok változását is – kilégzéskor ugyanis a maszkon belül a hőmérséklet és a páratartalom is nő, ami hatással van a maszk alkotóelemeire is.
Több iparágban is hasznos lehet
Szálas, porózus anyagokat használnak fel a maszkok gyártása mellett az űrkutatásban, az energiaiparban, az elektronikában, továbbá a biomérnökök számára is fontos ez a terület. Ezekben a felhasználási módokba közös, hogy mélyreható ismereteket igényel az anyag változása hő, páratartalom vagy egyéb külső tényező hatására.
Lucy Zhang, a Rensselear kutatója elmondta, hogy a projektben vizsgálják a porózus anyagok szerkezetének, funkcionalitásának és hatékonyságának változását az idő múlásával, valamint a külső körülmények változásával – írja a Machine Design.
Előrejelzik a hatékonyságot
A kutatók a szálas anyagok különböző tulajdonságait egészen a mikroméretig fogják vizsgálni. Ezeket az információkat egy számítógépes modell felépítésére fogják felhasználni, amely megjósolhatja, hogy egy anyag mennyire hatékonyan lesz képes megakadályozni a különböző méretű részecskék átjutását – tehát például meg lehet jósolni az egyes maszkok hatékonyságát.
A kutatók a gépi tanulás segítségével alkotnak algoritmusokat az általuk vizsgált paraméterek és forgatókönyvek széles skálájának feldolgozására - például a szál porozitására, a nedvességtartalomra, a hőmérsékletváltozásra, a páratartalomra és más hatásokra.