Pesquisadores da Faculdade de Ciências Aplicadas e Engenharia da Universidade de Toronto usaram o aprendizado de máquina para projetar materiais nanoarquitetados que têm a resistência do aço carbono, mas a leveza do isopor.
Em um novo artigo publicado em Materiais Avançadosuma equipe liderada pelo professor Tobin Filleter descreve como eles criaram nanomateriais com propriedades que oferecem uma combinação conflitante de resistência excepcional, leveza e personalização. A abordagem poderia beneficiar uma ampla gama de indústrias, desde a automotiva até a aeroespacial.
“Os materiais nano-arquitectados combinam formas de alto desempenho, como fazer uma ponte a partir de triângulos, em tamanhos nanoescalares, o que tira partido do efeito ‘menor é mais forte’, para alcançar algumas das mais elevadas relações de resistência-peso e rigidez-a- proporções de peso, de qualquer materials”, diz Peter Serles, o primeiro autor do novo artigo.
“No entanto, as formas e geometrias de rede padrão usadas tendem a ter interseções e cantos agudos, o que leva ao problema de concentrações de tensão. Isso resulta em falha native precoce e quebra dos materiais, limitando seu potencial geral.
“Ao pensar sobre esse desafio, percebi que é um problema perfeito para o aprendizado de máquina resolver.”
Os materiais nanoarquitetados são feitos de pequenos blocos de construção ou unidades repetidas medindo algumas centenas de nanômetros de tamanho – seriam necessários mais de 100 deles padronizados em uma fileira para atingir a espessura de um fio de cabelo humano. Esses blocos de construção, que neste caso são compostos de carbono, estão dispostos em estruturas 3D complexas chamadas nanoredes.
Para projetar seus materiais aprimorados, Serles e Filleter trabalharam com o professor Seunghwa Ryu e o estudante de doutorado Jinwook Yeo no Instituto Avançado de Ciência e Tecnologia da Coreia (KAIST) em Daejeon, Coreia do Sul. Esta parceria foi iniciada através do programa Worldwide Doctoral Clusters da Universidade de Toronto, que apoia a formação de doutoramento através do envolvimento de investigação com colaboradores internacionais.
A equipe KAIST empregou o algoritmo de aprendizado de máquina de otimização bayesiana multiobjetivo. Este algoritmo aprendeu com geometrias simuladas para prever as melhores geometrias possíveis para melhorar a distribuição de tensão e melhorar a relação resistência-peso de projetos nanoarquitetados.
Serles então usou uma impressora 3D de polimerização de dois fótons instalada no Centro de Pesquisa e Aplicação em Tecnologias Fluídicas (CRAFT) para criar protótipos para validação experimental. Esta tecnologia de fabricação aditiva permite a impressão 3D em escala micro e nano, criando nanoredes de carbono otimizadas.
Essas nanorredes otimizadas mais que duplicaram a resistência dos projetos existentes, suportando uma tensão de 2,03 megapascais para cada metro cúbico por quilograma de sua densidade, que é cerca de cinco vezes maior que a do titânio.
“Esta é a primeira vez que o aprendizado de máquina é aplicado para otimizar materiais nanoarquitetados e ficamos chocados com as melhorias”, diz Serles. “Ele não apenas replicou geometrias bem-sucedidas a partir dos dados de treinamento; ele aprendeu quais mudanças nas formas funcionaram e quais não funcionaram, permitindo-lhe prever geometrias de rede inteiramente novas.
“O aprendizado de máquina normalmente consome muitos dados e é difícil gerar muitos dados quando você usa dados de alta qualidade a partir de análise de elementos finitos. Mas o algoritmo de otimização bayesiana multiobjetivo precisava apenas de 400 pontos de dados, enquanto outros algoritmos podem precisamos de 20.000 ou mais. Então, conseguimos trabalhar com um conjunto de dados muito menor, mas de qualidade extremamente alta.”
“Esperamos que esses novos designs de materiais eventualmente levem a componentes ultraleves em aplicações aeroespaciais, como aviões, helicópteros e espaçonaves, que possam reduzir a demanda de combustível durante o voo, mantendo a segurança e o desempenho”, diz Filleter. “Isso pode, em última análise, ajudar a reduzir a alta pegada de carbono do voo”.
“Por exemplo, se você substituísse componentes feitos de titânio em um avião por esse materials, você veria uma economia de combustível de 80 litros por ano para cada quilograma de materials substituído”, acrescenta Serles.
Outros colaboradores do projeto incluem os professores Yu Zou, Chandra Veer Singh, Jane Howe e Charles Jia da Universidade de Toronto, bem como colaboradores internacionais do Karlsruhe Institute of Expertise (KIT) na Alemanha, do Massachusetts Institute of Expertise (MIT) e da Rice College em os Estados Unidos.
“Este foi um projeto multifacetado que reuniu vários elementos da ciência dos materiais, aprendizado de máquina, química e mecânica para nos ajudar a entender como melhorar e implementar esta tecnologia”, diz Serles, que agora é Schmidt Science Fellow no California Institute. de Tecnologia (Caltech).
“Nossos próximos passos se concentrarão em melhorar ainda mais a escala desses projetos de materiais para permitir componentes em macroescala econômicos”, acrescenta Filleter.
“Além disso, continuaremos a explorar novos designs que levem as arquiteturas de materiais a densidades ainda mais baixas, mantendo ao mesmo tempo alta resistência e rigidez.”
