Lo studio descrive una nuova struttura end-to-end per personalizzare la microstruttura di una lega di titanio ampiamente utilizzata nelle industrie aerospaziale e biomedica.
Da simile a un osso impianti medici a parti di aerei più resistenti ed efficienti in termini di consumo di carburante, i materiali strutturali avanzati possono richiedere molto tempo per passare dai laboratori alle applicazioni industriali, ma i ricercatori dell’Università di Toronto stanno sfruttando la potenza dell’apprendimento automatico per accelerare questo processo.
Materiali di prossima generazione per l’industria aerospaziale e biomedica: il dottorando Xiao Shang utilizza la stampante 3D a deposizione diretta di energia progettata e costruita nel laboratorio di produzione additiva metallica del professore assistente Yu Zou dell’Università di Toronto. Illustrazione di Safa Jinje, Università di Toronto
“La progettazione di microstrutture è un passo fondamentale nello sviluppo dei materiali”, afferma YuZouprofessore assistente presso il dipartimento di scienza e ingegneria dei materiali presso la Facoltà di scienze applicate e ingegneria.
“Ma la progettazione dei materiali tradizionali, basata su esperimenti o metodi di simulazione, potrebbe richiedere anni – addirittura decenni – per identificare la giusta microstruttura”.
Zou e il suo gruppo di laboratorio mirano ad accelerare la scoperta di nuovi materiali strutturali per l’industria aerospaziale e biomedica. In un nuovo articolo, pubblicato in I materiali oggiil team di Zou descrive una nuova struttura end-to-end utilizzata per personalizzare la microstruttura di Ti-6Al-4V, la lega di titanio più utilizzata nelle industrie aerospaziale e biomedica.
“Questo lavoro potrebbe consentire agli scienziati e agli ingegneri dei materiali di scoprire microstrutture a velocità mai viste prima, semplicemente inserendo le proprietà meccaniche desiderate nella struttura”, afferma il dottorando Xiao Shangl’autore principale dell’articolo.
I ricercatori hanno iniziato addestrando due modelli di deep learning per prevedere con precisione le proprietà dei materiali dalle loro microstrutture. Hanno poi integrato un algoritmo genetico con i modelli di deep learning per chiudere il ciclo materiali-by-design, che consente al quadro di progettare microstrutture materiali ottimali con proprietà meccaniche target.
“In meno di otto ore, abbiamo identificato microstrutture in lega di titanio che mostravano sia l’elevata resistenza che l’elevata rigidità necessarie per rafforzare i componenti strutturali degli aeroplani”, afferma Shang.
“Abbiamo anche progettato leghe di titanio con le stesse composizioni chimiche delle prime ma con microstrutture diverse che sono circa il 15% più conformi per gli impianti biomedici compatibili con le ossa umane”.
Vengono innanzitutto stabiliti modelli di deep learning per prevedere le proprietà meccaniche di un materiale prima che venga utilizzato un algoritmo genetico per cercare in modo efficiente la microstruttura ottimale del materiale per determinate proprietà del materiale target. Credito immagine: Laboratorio di Meccanica Estrema e Produzione Additiva
I ricercatori hanno dovuto superare diversi ostacoli per sviluppare i loro modelli di deep learning. Ciò include la generazione di un proprio set di dati di quasi 6.000 microstrutture diverse attraverso la simulazione, un compito reso possibile sfruttando le enormi capacità di calcolo dei supercomputer al momento. Alleanza per la ricerca digitale del Canada.
“Ci imbattevamo costantemente in situazioni in cui i modelli di deep learning e/o gli algoritmi di ottimizzazione selezionati non funzionavano come ci aspettavamo”, afferma Shang. “Ma siamo stati pazienti e abbiamo mantenuto il nostro piano di ricerca mentre cercavamo attivamente nuovi approcci per far funzionare i modelli”.
La ricerca ha recentemente vinto un Poster Prize al 2023 Conferenza accelerataorganizzato dall’ Consorzio di accelerazione a U di T – che all’inizio di quest’anno ha ricevuto una storica sovvenzione di 200 milioni di dollari per sostenere la scoperta di materiali avanzati utilizzando i cosiddetti laboratori a guida autonoma.
Il lavoro è supportato anche da U of T’s Istituto di scienze dei dati E Centro di analisi e ingegneria dell’intelligenza artificiale. Sia l’Acceleration Consortium che il Data Sciences Institute sono U of T iniziative strategiche istituzionali.
“Guardando al futuro, vogliamo ottimizzare e migliorare ulteriormente la tecnologia di produzione additiva in modo che possano continuare a far avanzare questo nuovo quadro”, afferma il dottorando Tianyi Lyucoautore dell’articolo insieme al dottorando Jiahui Zhang – entrambi lavorano sulla produzione additiva dei metalli.
“Stiamo migliorando la qualità e l’affidabilità della produzione additiva in metallo, liberando il suo potenziale per personalizzare localmente la microstruttura del materiale durante la stampa”, aggiunge Zou, membro dell’Acceleration Consortium.
“Ad esempio, con la tecnologia tradizionale, è quasi impossibile personalizzare i materiali biomedici per pazienti diversi. Ma vogliamo rendere possibile il futuro degli impianti biomedici personalizzati rendendo possibile stampare in pochi giorni la forma e le proprietà meccaniche che soddisfano le esigenze del paziente”.
Fonte: Università di Toronto
Da un’altra testata giornalistica. news de www.technology.org
