[上图]CTS公司在中国天津的最先进的压电设备的视频参观。许多制造商使用建模来识别新的压电材料。信贷:CTS公司, YouTube
与一个预计到2024年市场价值为339亿美元在美国，压电器件是一个快速增长的市场，在传感、驱动和信号处理应用中发挥着重要作用。
压电装置是利用压电效应的装置，压电效应是一种在施加机械应力时产生电荷的能力，反之亦然。研究人员经常使用模型来评估新型压电材料的性能，以减少通过实验测试一切的费用。
“然而，这些测量的准确性受到材料属性知识的限制。因此，有必要使用各种技术来确定压电本构方程的参数，”两位研究人员在最近的一篇文章中写道开放获取的纸．
研究人员是来自乌拉圭共和国大学的Mariana del Castillo教授和Nicolás Pérez。在他们的研究中，他们试图通过使用机器学习来改进压电材料的建模。
他们开始解释说有限元方法(FEM)是一种广泛应用于识别压电材料参数的数值技术，包括弹性常数、压电常数和介电常数。然而，这个迭代过程需要时间，这就是为什么研究人员建议使用神经网络来加快这个过程。
神经网络是一系列算法，旨在通过模拟人类大脑的过程，识别一组数据中的潜在关系。虽然需要进行FEM模拟来训练神经网络，但他们解释说，训练的神经网络“与[FEM]的循环相比非常快”。
研究人员使用了压电陶瓷的数据从Meggitt Pz27训练神经网络。首先，通过在原始参数值周围设置±10%的变化范围，他们生成了一个包含600,000条合成阻抗曲线的数据集。在此数据集上进行训练后，使用两组不同的曲线对神经网络进行测试，第一组受限于更敏感参数的子空间，另一组所有参数随机变化。
他们发现，在有限子空间上进行的测试确定的参数适用于使用Nelder-Mead非线性最小化，以获得最终结果。包含所有参数的测试误差较大，但仍适合使用。
这第一个贡献显示了该技术解决问题的可行性。接下来的步骤包括推广整个参数集，并使用真正的压电陶瓷测试应用程序。”
开放存取的论文，发表在材料,是“压电性能的机器学习识别”(DOI: 10.3390 / ma14092405)。