优化用于特定最终用途的先进复合材料可能成本高且耗时，要求制造商测试许多样品以获得最佳配方。纽约大学Tandon工程学院的研究人员设计了一种采用人工神经网络(ANN)的机器学习系统，该系统能够从仅从一个样本中获得的数据进行外推，从而快速制定并提供理论石墨烯增强型先进复合材料的分析。
这项工作由纽约大学Tandon机械和航空航天工程副教授Nikhil Gupta带领，获得博士学位。学生Xianbo Xu和二维石墨烯材料制造商GrapheneCa的合作者详细介绍了“动态力学分析结果预测弹性模量的人工神经网络方法”，将在“ 高级理论与模拟 ”杂志的封面内容中进行介绍。
拉伸试验和动态力学分析(DMA)广泛用于表征材料在不同加载速率和温度下的粘弹性。但这需要一个涉及大量样本的详细实验活动。
Tandon团队找到了一种绕过这一过程的方法，即设计一种基于人工神经网络的方法来构建模型，然后从DMA中提供数据 - 对材料对给定温度和加载频率的响应的测试(在循环) - 预测它将如何响应任何其他温度和压力组合。古普塔解释说，ANN是根据样本在不同条件下储存和消散能量的能力来推断的。
“在产品开发周期中，在不同条件下测试材料是制造商试图为众多应用创建复合材料的主要成本，”Gupta指出。“该系统允许我们进行一次测试，然后在其他条件下预测性能。因此，它大大减少了所需的实验量。”
“应用人工神经网络方法预测纳米复合材料的性质有助于开发一种方法，在这种方法中，建模可以指导材料和应用开发并降低成本，”Gupta继续说道。
“与纽约大学Tandon机械与航空航天工程系的研究人员合作，我们开发了一种新方法，用于预测热固性纳米复合材料在各种温度和加载速率下的行为，”研究与开发主管Sergey Voskresensky博士说。在GrapheneCa位于纽约的生产工厂。“此外，可以采用相同的方法来预测热塑性材料的行为。这是迈向先进复合材料生产的关键一步。”