Applications de Machine Learning: Prédire les propriétés des nanotubes de carbone

Cette séance de cours traite de l'intégration de l'apprentissage machine avec la caractérisation multi-échelle pour prédire les propriétés mécaniques des nanotubes de carbone et de leurs composites. L'instructeur présente le paradigme ICME (Integrated Computational Materials Engineering), qui combine des observations expérimentales et une modélisation informatique à différentes échelles pour améliorer le développement des matériaux. La séance de cours couvre l'importance des nanotubes de carbone dans les applications d'ingénierie, en particulier dans le génie civil, et leur rôle dans l'amélioration des propriétés des matériaux. L'instructeur explique les défis de la caractérisation des nanotubes de carbone, y compris leur tendance à former des faisceaux, et comment l'apprentissage automatique peut aider à analyser ces complexités. La présentation met en évidence l'utilisation de techniques d'imagerie avancées, telles que la microscopie confocale à balayage laser et la microscopie électronique à transmission, pour recueillir des données détaillées sur les structures de nanotubes de carbone. L'instructeur souligne également l'importance de l'apprentissage automatique dans la prédiction des propriétés mécaniques, en montrant comment il peut optimiser la conception et les performances des matériaux. La séance de cours se termine par un aperçu de l'avenir de la modélisation des matériaux et du potentiel de l'apprentissage automatique dans l'amélioration de la compréhension des matériaux complexes.