Investigadores de la Facultad de Ciencia e Ingeniería Aplicada de la Universidad de Toronto han utilizado el aprendizaje automático para diseñar materiales nanoarcados que tengan la resistencia del acero al carbono pero la ligereza de la espuma de poliestireno.
En un nuevo artículo publicado en Materiales avanzadosun equipo dirigido por el profesor Tobin Filleter describe cómo hicieron nanomateriales con propiedades que ofrecen una combinación conflictiva de fuerza, peso ligero y capacidad de personalización excepcionales. El enfoque podría beneficiar a una amplia gama de industrias, desde automotriz hasta aeroespacial.
«Los materiales nanoarquitectados combinan formas de alto rendimiento, como hacer un puente de los triángulos, a tamaños a nanoescala, que aprovecha el efecto 'más pequeño es más fuerte', para lograr parte de la mayor fuerza a peso y rigidez a Ratios de peso, de cualquier material «, dice Peter Serles, el primer autor del nuevo artículo.
«Sin embargo, las formas de red estándar y las geometrías utilizadas tienden a tener intersecciones y esquinas agudas, lo que conduce al problema de las concentraciones de tensión. Esto da como resultado una falla local temprana y la rotura de los materiales, lo que limita su potencial general.
«Mientras pensaba en este desafío, me di cuenta de que es un problema perfecto para el aprendizaje automático a abordar».
Los materiales nanoarquitigidos están hechos de pequeños bloques de construcción o unidades repetidas que miden unos pocos cientos de nanómetros de tamaño; tomaría más de 100 de ellos estampados en una fila para alcanzar el grosor de un cabello humano. Estos bloques de construcción, que en este caso están compuestos de carbono, están organizados en estructuras 3D complejas llamadas nanolattes.
Para diseñar sus materiales mejorados, Serles y Filleter trabajaron con el profesor Seunghwa Ryu y el estudiante de doctorado Jinwook Yeo en el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) en Daejeon, Corea del Sur. Esta asociación se inició a través del Programa Internacional de Clusters Doctorales de la Universidad de Toronto, que apoya la capacitación doctoral a través del compromiso de la investigación con colaboradores internacionales.
El equipo KAIST empleó el algoritmo de aprendizaje automático bayesiano de objetivos múltiples. Este algoritmo aprendió de geometrías simuladas para predecir las mejores geometrías posibles para mejorar la distribución del estrés y mejorar la relación de resistencia / peso de diseños nanoarquitidos.
Luego, Serles utilizó una impresora 3D de polimerización de dos fotones alojada en el Centro de Investigación y Aplicación en Tecnologías Fluídicas (CRABE) para crear prototipos para la validación experimental. Esta tecnología de fabricación aditiva permite la impresión 3D a escala micro y nano, creando nanolilizaciones de carbono optimizadas.
Estas nanolilidades optimizadas duplicaron más que la fuerza de los diseños existentes, soportando un estrés de 2.03 megapascales por cada metro cúbico por kilogramo de su densidad, que es aproximadamente cinco veces mayor que el titanio.
«Esta es la primera vez que el aprendizaje automático se ha aplicado para optimizar los materiales nanoarquitidos, y nos sorprendió las mejoras», dice Serles. «No solo replicó geometrías exitosas de los datos de capacitación; aprendió de qué cambios en las formas funcionaron y qué no, lo que le permitió predecir geometrías de celosía completamente nuevas.
«El aprendizaje automático normalmente es muy intensivo en los datos, y es difícil generar muchos datos cuando usa datos de alta calidad del análisis de elementos finitos. Pero el algoritmo de optimización bayesiana de objetivos múltiples solo necesitaba 400 puntos de datos, mientras que otros algoritmos podrían Necesitamos 20,000 o más.
«Esperamos que estos nuevos diseños de materiales eventualmente conduzcan a componentes de peso ultraligero en aplicaciones aeroespaciales, como aviones, helicópteros y naves espaciales que pueden reducir las demandas de combustible durante el vuelo mientras mantienen la seguridad y el rendimiento», dice Filleter. «Esto puede ayudar en última instancia a reducir la alta huella de carbono de vuelo».
«Por ejemplo, si reemplazara los componentes hechos de titanio en un avión con este material, estaría buscando ahorros de combustible de 80 litros por año por cada kilogramo de material que reemplace», agrega Serles.
Otros contribuyentes al proyecto incluyen a los profesores de la Universidad de Toronto, Yu Zou, Chandra Veer Singh, Jane Howe y Charles Jia, así como colaboradores internacionales del Instituto de Tecnología Karlsruhe (KIT) en Alemania, Instituto de Tecnología de Massachusetts (MIT) y Rice University in in Inter la Universidad de la Interna de Rice en Estados Unidos.
«Este fue un proyecto multifacético que reunió a varios elementos de la ciencia de los materiales, el aprendizaje automático, la química y la mecánica para ayudarnos a comprender cómo mejorar e implementar esta tecnología», dice Serles, quien ahora es miembro de Schmidt Science en el Instituto de California. de tecnología (Caltech).
«Nuestros próximos pasos se centrarán en mejorar aún más la escala de estos diseños de materiales para permitir componentes de macroscala rentables», agrega Filleter.
«Además, continuaremos explorando nuevos diseños que empujan las arquitecturas de materiales a una densidad aún más baja mientras mantienen alta resistencia y rigidez».
