Wussten Sie, dass Mathematik der NASA helfen kann, schneller und weiter zu reisen? Der Mathematiker Randy Paffenroth vom Worcester Polytechnic Institute WPI wurde kombiniert Maschinelles Lernen mit Mathematik des 19. Jahrhunderts, um NASA-Raumschiffe leichter und schadensresistenter zu machen.
Sein Ziel ist es, mithilfe eines von ihm entwickelten Algorithmus Unvollkommenheiten in Kohlenstoffnanomaterialien zu erkennen, die zur Herstellung von Raketentank-Verbundtanks und anderen Raumfahrzeugstrukturen verwendet werden. Der Algorithmus ermöglicht Scans mit höherer Auflösung, die genauere Bilder der Gleichmäßigkeit und potenzieller Defekte des Materials liefern.
VERBINDUNG: TOP 10 MATH TRICKS, UM DURCH IHR TÄGLICHES LEBEN ZU KOMMEN
Auf der Suche nach Unvollkommenheiten
Paffenroth sucht nach Fehlern in Miralon®-Garnen. Diese Garne sind wie Raketenkraftstofftanks um Strukturen gewickelt und geben ihnen die Festigkeit, hohen Drücken standzuhalten.
Sie werden von Nanocomp hergestellt. Das Unternehmen verwendet ein modifiziertes Scansystem, das das Nanomaterial auf Massengleichmäßigkeit und Unvollkommenheiten scannt.
Jetzt verwenden Paffenroth und sein Team maschinelles Lernen, um Algorithmen zu trainieren, um die Auflösung dieser Bilder zu erhöhen. Sie haben einen Algorithmus entwickelt, der die Auflösung um das Neunfache erhöht hat.
Die Fourier-Transformation
Dieser neuartige Algorithmus basiert auf der Fourier-Transformation, einem mathematischen Werkzeug aus dem frühen 19. Jahrhundert, mit dem ein Bild in seine einzelnen Komponenten zerlegt werden kann. "Wir nehmen dieses ausgefallene, hochmoderne neuronale Netzwerk und fügen 250 hinzu.jahrelange Mathematik und das hilft dem neuronalen Netzwerk, besser zu funktionieren ", sagte Paffenroth.
"Die Fourier-Transformation macht das Erstellen eines hochauflösenden Bildes zu einem viel einfacheren Problem, indem die Daten, aus denen das Bild besteht, aufgeschlüsselt werden. Stellen Sie sich die Fourier-Transformation als eine Brille für das neuronale Netzwerk vor. Sie macht unscharfe Dinge für das Bild klarAlgorithmus. Wir nehmen Computer Vision und setzen virtuell eine Brille darauf.
"Es ist aufregend, diese Kombination aus modernem maschinellem Lernen und klassischer Mathematik für diese Art von Arbeit zu verwenden", fügte er hinzu.
Miralon® wurde bereits erfolgreich im Weltraum eingesetzt. Es wurde um strukturelle Träger in der Juno-Sonde der NASA gewickelt, die den Planeten Jupiter umkreist, und wurde verwendet, um Prototypen neuer Druckbehälter aus Kohlenstoffverbundwerkstoffen herzustellen und zu testen.
Jetzt versucht Nanocomp, Miralon®-Garne herzustellen, die für einen Vertrag mit der NASA dreimal stärker sind. Paffenroth und sein Team helfen bei diesem Ziel.
"Randy hilft uns dabei, dieses Ziel zu erreichen, unsere Stärke zu verdreifachen, indem er die Werkzeuge in unserer Toolbox verbessert, damit wir stärkere, bessere Materialien der nächsten Generation für Weltraumanwendungen herstellen können", sagte Bob Casoni, Qualitätsmanager bei Nanocomp.
"Wenn die NASA ein neues Raketensystem bauen muss, das stark genug ist, um zum Mars und zurück zu gelangen, stehen große Herausforderungen bevor. Es werden bessere Materialien benötigt, damit die NASA Raketen entwickeln kann, die weiter, schneller und länger überleben können. "
Casoni fügte hinzu, dass Nanocomp mit dem neuen Algorithmus von WPI Muster in seinen Materialien erkennen kann, die sie zuvor nicht erkennen konnten.
"Wir können nicht nur Funktionen erfassen, sondern haben auch eine bessere Vorstellung von der Größe dieser Funktionen", sagte er.
"Früher war es, als würde man ein verschwommenes Satellitenbild sehen. Man könnte denken, man sieht die sanften Hügel von Pennsylvania, aber mit besserer Auflösung sieht man, dass es wirklich Mount Washington oder die Colorado Rockies sind. Es ist ziemlich erstaunliches Zeug."