El proceso de fabricación de materiales es complicado, lento y costoso. Demasiado de un material, o muy poco, puede crear problemas con el producto, obligando a que el proceso de diseño comience de nuevo. Se necesitan avances en el proceso de diseño para reducir el costo y el tiempo que lleva producir materiales con propiedades específicas.

Financiado por la National Science Foundation (NSF), Los investigadores de la Universidad de Texas A&M están utilizando técnicas avanzadas de computación y aprendizaje automático para crear un marco capaz de optimizar el proceso de desarrollo de materiales. recortando tiempo y costos.

"Nuestro enfoque general es trabajar en el diseño de materiales considerando las relaciones proceso-estructura-propiedad para producir materiales con propiedades específicas, "dijo el Dr. Douglas Allaire, profesor asociado en el Departamento de Ingeniería Mecánica de J. Mike Walker '66. "En nuestro trabajo, demostramos un diseño sensible a la microestructura de aleaciones con un marco de optimización bayesiano capaz de explotar múltiples fuentes de información ".

Los marcos basados ​​en la optimización bayesiana utilizan el conocimiento previo como modelos para predecir los resultados. En el pasado, los investigadores han utilizado este marco en correlación con una única fuente de información (simulación o experimento). Si ese método falló, el proceso comienza de nuevo con la esperanza de realizar los ajustes correctos basados ​​en este modelo.

Los investigadores han rechazado esta noción y, en cambio, creen que se pueden extraer muchas fuentes de información utilizando un marco bayesiano para desarrollar una imagen más completa de los procesos subyacentes. Han combinado múltiples fuentes de información para crear materiales con propiedades específicas de manera más eficiente al observar los datos en su totalidad en lugar de sus partes.

"Lo que pensamos, eso es muy diferente, es que puede tener muchos modelos potenciales o fuentes de información diferentes, "dijo el Dr. Raymundo Arróyave, profesor del Departamento de Ciencia e Ingeniería de Materiales. "Hay muchas formas de comprender / modelar el comportamiento de los materiales, ya sea mediante experimentos o simulaciones. Nuestra idea es combinar todos estos modelos diferentes en uno solo, modelo 'fusionado' que combina las fortalezas de todos los demás modelos al tiempo que reduce sus debilidades individuales ".

Su investigación, titulado "Explotación eficiente de las relaciones proceso-estructura-propiedad en el diseño de materiales mediante la fusión de múltiples fuentes de información, "fue publicado recientemente en el Vol. 26 de la Acta Materialia diario.

"Estas cadenas de modelos históricamente no han considerado la amplitud de las fuentes de información disponibles, ", dijo Allaire." Consideran modelos individuales a lo largo de la cadena desde el proceso, a través de la estructura, a la propiedad. Como resultado, no son tan eficientes o precisos como podrían ser ".

Actualmente, los investigadores están probando este marco mediante el desarrollo de aceros de doble fase que se utilizan normalmente en los marcos de los automóviles. Los aceros bifásicos se componen de dos fases con propiedades muy diferentes y complementarias.

"Hay dos fases; la fase de martensita hace que este acero en particular sea muy fuerte, ", dijo Arróyave." La fase ferrítica es más suave y hace que el acero sea más compatible y susceptible a la deformación. Con solo microestructuras martensíticas, estos materiales son fuertes, pero se rompen fácilmente. Sin embargo, si combina la fuerza de la martensita con la ductilidad de la ferrita, puedes hacer aceros muy fuertes, puede absorber energía durante el impacto y puede fabricarse en formas complejas, como los bastidores de los automóviles ".

Utilizando el método desarrollado en este trabajo, el objetivo es desarrollar un marco que prediga de manera más precisa y eficaz la composición y el procesamiento (receta) necesarios para un diseño específico. Sucesivamente, esto disminuye el número de simulaciones y experimentos requeridos, reduciendo drásticamente los costos.

"El conocimiento que obtenemos sobre el proceso de diseño de materiales en su conjunto utilizando nuestro marco es mucho mayor que la suma de toda la información extraída de modelos individuales o técnicas experimentales, "dijo el Dr. Ankit Srivastava, profesor asistente del departamento de ciencia e ingeniería de materiales. "El marco permite a los investigadores aprender de manera eficiente sobre la marcha, ya que no solo recopila y fusiona información de múltiples modelos / experimentos, sino que también les dice qué fuente de información, es decir, un modelo o experimento en particular les proporciona el mejor valor por su dinero o tiempo, lo que realmente mejora el proceso de toma de decisiones ".

En el futuro, esperan que su marco sea ampliamente utilizado al intentar tareas que involucran el diseño integrado de materiales computacionales.

"Nuestra esperanza es que al presentar estas capacidades de optimización bayesiana basadas en fusión de modelos, Haremos que el proceso de búsqueda de nuevos materiales sea más eficiente y preciso, ", dijo Allaire." Queremos que cualquier investigador utilice los modelos que tiene a su disposición sin preocuparse tanto por cómo integrar los modelos en su propia cadena de modelado porque nuestro marco de optimización bayesiano maneja esa integración por ellos ".