La optimización de compuestos avanzados para usos finales específicos puede resultar costosa y llevar mucho tiempo. requiriendo que los fabricantes prueben muchas muestras para llegar a la mejor formulación. Los investigadores de la NYU Tandon School of Engineering han diseñado un sistema de aprendizaje automático que emplea redes neuronales artificiales (ANN) capaz de extrapolar a partir de datos derivados de una sola muestra, formulando y proporcionando así análisis rápidamente sobre compuestos avanzados teóricos mejorados con grafeno.

La obra, dirigido por Nikhil Gupta, profesor asociado de ingeniería mecánica y aeroespacial en NYU Tandon, con Ph.D. el estudiante Xianbo Xu y colaboradores del fabricante de materiales de grafeno 2-D GrapheneCa, se detalla en "Enfoque de red neuronal artificial para predecir el módulo elástico a partir de los resultados del análisis mecánico dinámico, "que aparecerá en la portada interior de la revista. Teoría y simulaciones avanzadas .

Las pruebas de tracción y el análisis mecánico dinámico (DMA) se utilizan ampliamente para caracterizar las propiedades viscoelásticas de los materiales a diferentes velocidades de carga y temperaturas. Pero esto requiere una campaña experimental elaborada que involucre una gran cantidad de muestras.

El equipo de Tandon encontró una manera de eludir este proceso diseñando un enfoque basado en ANN que construye un modelo y luego lo alimenta con datos de DMA:una prueba de la respuesta de un material a una temperatura y frecuencia de carga determinadas (una medida de carga aplicada en ciclos). ):Para predecir cómo responderá a cualquier otra combinación de temperatura y presión. Gupta explicó que ANN se extrapoló de las medidas de la capacidad de las muestras para almacenar y disipar energía en diferentes condiciones.

"Probar materiales en diferentes condiciones durante el ciclo de desarrollo del producto es un costo importante para los fabricantes que intentan crear compuestos para numerosas aplicaciones, "señaló Gupta." Este sistema nos permite realizar una prueba y luego predecir las propiedades en otras condiciones. Por lo tanto, reduce considerablemente la cantidad de experimentación necesaria ".

"La aplicación de un enfoque de red neuronal artificial para predecir las propiedades de los nanocompuestos puede ayudar a desarrollar un enfoque en el que el modelado pueda guiar el desarrollo de materiales y aplicaciones y reducir el costo con el tiempo, "continuó Gupta.

"Trabajando con los investigadores del Departamento de Ingeniería Mecánica y Aeroespacial de NYU Tandon, Hemos desarrollado un nuevo método para predecir el comportamiento de los nanocompuestos termoendurecibles en un amplio rango de temperaturas y tasas de carga. "dijo el Dr. Sergey Voskresensky, Jefe de Investigación y Desarrollo en las instalaciones de producción de GrapheneCa en Nueva York. "Es más, el mismo enfoque se puede aplicar potencialmente para predecir el comportamiento de los materiales termoplásticos. Este es un paso crítico hacia la producción avanzada de compuestos ".