Financiado por el Programa de Diseño de Materiales para Revolucionar Nuestro Futuro de Ingeniería (DMREF) de la Fundación Nacional de Ciencias, investigadores del Departamento de Ciencia e Ingeniería de Materiales de la Universidad Texas A&M utilizaron un marco de Selección de Materiales de Inteligencia Artificial (AIMS) para descubrir una nueva aleación con memoria de forma. La aleación con memoria de forma mostró la mayor eficiencia durante la operación lograda hasta ahora para materiales a base de níquel-titanio. Además, su marco basado en datos ofrece una prueba de concepto para el desarrollo de futuros materiales.
Las aleaciones con memoria de forma se utilizan en varios campos donde se necesitan actuadores compactos, livianos y de estado sólido, reemplazando a los actuadores hidráulicos o neumáticos porque pueden deformarse cuando están fríos y luego volver a su forma original cuando se calientan. Esta propiedad única es crítica para aplicaciones, como alas de aviones, motores a reacción y componentes automotrices, que deben soportar cambios de formas grandes repetidos y recuperables.
Ha habido muchos avances en las aleaciones con memoria de forma desde sus inicios a mediados de la década de 1960, pero a un costo. Comprender y descubrir nuevas aleaciones con memoria de forma ha requerido una extensa investigación a través de la experimentación y el ensayo y error ad-hoc. A pesar de que muchos de los cuales se han documentado para ayudar a mejorar las aplicaciones de aleaciones con memoria de forma, se han producido nuevos descubrimientos de aleaciones cada década. Aproximadamente cada 10 años, se ha descubierto una composición o sistema significativo de aleación con memoria de forma. Además, incluso con los avances en aleaciones con memoria de forma, se ven obstaculizados por su baja eficiencia energética causada por incompatibilidades en su microestructura durante el gran cambio de forma. Además, son notoriamente difíciles de diseñar desde cero.
Para abordar estas deficiencias, los investigadores de Texas A&M combinaron datos experimentales para crear un marco computacional AIMS capaz de determinar composiciones óptimas de materiales y procesar estos materiales, lo que condujo al descubrimiento de una nueva composición de aleación con memoria de forma.
«Al diseñar materiales, a veces hay múltiples objetivos o restricciones que entran en conflicto, lo cual es muy difícil de resolver», dijo el Dr. Ibrahim Karaman, profesor I de Chevron y jefe del departamento de ciencia e ingeniería de materiales. «Usando nuestro marco de aprendizaje automático, podemos usar datos experimentales para encontrar correlaciones ocultas entre las características de diferentes materiales para ver si podemos diseñar nuevos materiales».
Se pronosticó y probó que la aleación con memoria de forma encontrada durante el estudio con AIMS logró la histéresis más estrecha jamás registrada. En otras palabras, el material mostró la menor pérdida de energía al convertir energía térmica en trabajo mecánico. El material mostró una alta eficiencia cuando se sometió a ciclos térmicos debido a su ventana de temperatura de transformación extremadamente pequeña. El material también exhibió una excelente estabilidad cíclica bajo actuación repetida.
Una composición de níquel-titanio-cobre es típica para las aleaciones con memoria de forma. Las aleaciones de níquel-titanio-cobre suelen tener titanio igual al 50% y forman un material monofásico. Utilizando el aprendizaje automático, los investigadores predijeron una composición diferente con titanio igual al 47 % y cobre igual al 21 %. Si bien esta composición está en la región de dos fases y forma partículas, ayudan a mejorar las propiedades del material, explicó William Trehern, estudiante de doctorado y asistente de investigación graduado en el departamento de ciencia e ingeniería de materiales y el primer autor de la publicación.
En particular, esta aleación con memoria de forma de alta eficiencia se presta para la recolección de energía térmica, que requiere materiales que puedan capturar la energía residual producida por las máquinas y ponerla en uso, y el almacenamiento de energía térmica, que se utiliza para enfriar dispositivos electrónicos.
Más notablemente, el marco AIMS ofrece la oportunidad de utilizar técnicas de aprendizaje automático en la ciencia de los materiales. Los investigadores ven potencial para descubrir más químicas de aleaciones con memoria de forma con las características deseadas para otras aplicaciones.
«Es una revelación usar el aprendizaje automático para encontrar conexiones que nuestro cerebro o los principios físicos conocidos tal vez no puedan explicar», dijo Karaman. «Podemos usar la ciencia de datos y el aprendizaje automático para acelerar la tasa de descubrimiento de materiales. También creo que potencialmente podemos descubrir nueva física o mecanismos detrás del comportamiento de los materiales que no conocíamos antes si prestamos atención a las conexiones que puede encontrar el aprendizaje automático. «
Otros colaboradores incluyen al Dr. Raymundo Arróyave y la Dra. Kadri Can Atli, profesores en el departamento de ciencia e ingeniería de materiales, y el estudiante de pregrado en ciencia e ingeniería de materiales Risheil Ortiz-Ayala.
«Si bien el aprendizaje automático ahora se usa ampliamente en la ciencia de los materiales, la mayoría de los enfoques hasta la fecha se centran en predecir las propiedades de un material sin explicar necesariamente cómo procesarlo para lograr las propiedades deseadas», dijo Arróyave. «Aquí, el marco analizó no solo la composición química de los materiales candidatos, sino también el procesamiento necesario para lograr las propiedades de interés».
Fuente de la historia:
Materiales proporcionados por Universidad Texas A & M. Original escrito por Michelle Revels. Nota: el contenido se puede editar por estilo y longitud.
