Newswise – Las técnicas de aprendizaje automático han contribuido al progreso en los campos de la ciencia y la tecnología que van desde el cuidado de la salud hasta la física de altas energías. Ahora, el aprendizaje automático está preparado para ayudar a acelerar el desarrollo de aleaciones más fuertes, particularmente aceros inoxidables, para la flota de generación de energía térmica de Estados Unidos. Los materiales más fuertes son clave para producir energía de manera eficiente, lo que resulta en beneficios económicos y de descarbonización.
“El uso de aceros de ultra alta resistencia en plantas de energía se remonta a la década de 1950 y se ha beneficiado de mejoras graduales en los materiales a lo largo del tiempo”, dice Osman Mamun, investigador asociado postdoctoral del Pacific Northwest National Laboratory (PNNL). «Si podemos encontrar formas de acelerar las mejoras o crear nuevos materiales, podríamos ver una mayor eficiencia en las plantas que también reduce la cantidad de carbono emitido a la atmósfera».
Mamun es el autor principal de dos artículos de revistas relacionados recientes que revelan nuevas estrategias para la aplicación del aprendizaje automático en el diseño de aleaciones avanzadas. Los artículos relatan los resultados de la investigación de un esfuerzo conjunto entre el PNNL y el Laboratorio Nacional de Tecnología Energética (NETL). Además de Mamun, el equipo de investigación incluyó a Arun Sathanur y Ram Devanathan de PNNL y Madison Wenzlick y Jeff Hawk de NETL.
El trabajo fue financiado por la Oficina de Energía Fósil del Departamento de Energía de EE. UU. (DOE) a través del consorcio “XMAT” —eXtreme environment MATerials—, que incluye contribuciones de investigación de siete laboratorios nacionales del DOE. El consorcio busca acelerar el desarrollo de aleaciones resistentes al calor mejoradas para varios componentes de la central eléctrica y predecir el rendimiento a largo plazo de las aleaciones.
La historia interna de las centrales eléctricas
El entorno interno de una central térmica es implacable. Temperaturas de funcionamiento de más de 650 grados Celsius y tensiones superiores a 50 megapascales ponen a prueba los componentes de acero de una planta.
“Pero también, esa alta temperatura y presión, junto con componentes confiables, son fundamentales para impulsar una mejor eficiencia termodinámica que conduce a una reducción de las emisiones de carbono y una mayor rentabilidad”, explica Mamun.
La colaboración PNNL – NETL se centró en dos tipos de materiales. El acero inoxidable austenítico se usa ampliamente en plantas porque ofrece fuerza y excelente resistencia a la corrosión, pero su vida útil a altas temperaturas es limitada. El acero ferrítico-martensítico que contiene cromo en el rango del 9 al 12 por ciento también ofrece beneficios de resistencia, pero puede ser propenso a la oxidación y la corrosión. Los operadores de plantas quieren materiales que resistan la rotura y duren décadas.
Con el tiempo, los enfoques experimentales de «prueba y error» han mejorado gradualmente el acero, pero son ineficientes, requieren mucho tiempo y son costosos. Es fundamental acelerar el desarrollo de materiales novedosos con propiedades superiores.
Modelos para predecir la resistencia a la rotura y la vida
Los avances recientes en el modelado computacional y el aprendizaje automático, dice Mamun, se han convertido en nuevas herramientas importantes en la búsqueda de lograr mejores materiales más rápidamente.
El aprendizaje automático, una forma de inteligencia artificial, aplica un algoritmo a conjuntos de datos para desarrollar soluciones más rápidas para problemas científicos. Esta capacidad está marcando una gran diferencia en la investigación en todo el mundo, en algunos casos reduciendo un tiempo considerable de descubrimientos científicos y desarrollos tecnológicos.
La aplicación del aprendizaje automático por parte del equipo de investigación PNNL – NETL se describió en su primer artículo de revista, «Un modelo interpretable asistido por aprendizaje automático para la predicción de la fuerza de ruptura en aleaciones martensíticas y austeníticas basadas en Fe», publicado el 9 de marzo en Informes científicos.
El documento relata el esfuerzo del equipo para mejorar y analizar conjuntos de datos de acero inoxidable, aportados por miembros del equipo NETL, con tres algoritmos diferentes. El objetivo final era construir un modelo predictivo preciso de la resistencia a la rotura de los dos tipos de aleaciones. El equipo concluyó que un algoritmo conocido como Gradient Boosted Decision Tree cubría mejor las necesidades de construir modelos de aprendizaje automático para una predicción precisa de la resistencia a la ruptura.
Además, los investigadores sostienen que la integración de los modelos resultantes en las estrategias de diseño de aleaciones existentes podría acelerar la identificación de aceros inoxidables prometedores que poseen propiedades superiores para lidiar con el estrés y la deformación.
«Este proyecto de investigación no solo dio un paso hacia mejores enfoques para extender la envolvente operativa del acero en las plantas de energía, sino que también demostró modelos de aprendizaje automático basados en la física para permitir la interpretación por parte de los científicos del dominio», dice el miembro del equipo de investigación Ram Devanathan, un computacional de PNNL científico de materiales. Devanathan lidera el impulso de ciencia de datos del consorcio XMAT y forma parte del comité directivo de la organización.
El segundo artículo del equipo del proyecto, «Modelo generativo y predictivo aumentado de aprendizaje automático para la vida de ruptura en aceros ferríticos y austeníticos», se publicó en Degradación de materiales npjEdición del 16 de abril.
El equipo concluyó en el documento que un modelo predictivo basado en aprendizaje automático puede estimar de manera confiable la vida útil de ruptura de las dos aleaciones. Los investigadores también describieron una metodología para generar aleaciones sintéticas que podrían usarse para aumentar los escasos conjuntos de datos de acero inoxidable existentes e identificaron las limitaciones de dicho enfoque. El uso de estas «aleaciones hipotéticas» en modelos de aprendizaje automático permite evaluar el rendimiento de los materiales candidatos sin sintetizarlos primero en un laboratorio.
“Los hallazgos se basan en las conclusiones del artículo anterior y representan otro paso hacia el establecimiento de modelos interpretables de desempeño de la aleación en ambientes extremos, al tiempo que brindan información sobre el desarrollo de conjuntos de datos”, dice Devanathan. «Ambos artículos demuestran el liderazgo intelectual de XMAT en este campo de rápido crecimiento».
