El futuro de la energía limpia está caliente. Las temperaturas alcanzan los 800 grados Celsius en partes de plantas de energía solar y reactores nucleares avanzados. Encontrar materiales que puedan soportar ese tipo de calor es difícil. Así que los expertos buscan respuestas en Mark Messner.

Ingeniero mecánico principal del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), Messner forma parte de un grupo de ingenieros que están descubriendo mejores formas de predecir cómo se comportarán los materiales bajo altas temperaturas y presiones. Los métodos de predicción actuales funcionan bien, pero requieren tiempo y, a menudo, requieren supercomputadoras, especialmente si ya tiene un conjunto de propiedades de material específicas, por ejemplo, rigidez, densidad o resistencia, y desea saber qué tipo de estructura necesitaría un material para igualar esas propiedades.

"Normalmente tendrías que ejecutar toneladas de simulaciones basadas en la física para resolver ese problema, "dijo Messner.

Buscando un atajo descubrió que las redes neuronales, un tipo de inteligencia artificial (IA) que descubre patrones en grandes conjuntos de datos, Puede predecir con precisión lo que le sucede a un material en condiciones extremas. Y pueden hacer esto mucho más rápido y más fácil que las simulaciones estándar.

El nuevo método de Messner encontró las propiedades de un material más de 2, 000 veces más rápido que el enfoque estándar, como se informó en octubre de 2019 Revista de diseño mecánico artículo. Muchos de los cálculos, Messner se dio cuenta, podría ejecutarse en una computadora portátil normal con una unidad de procesamiento de gráficos (GPU), en lugar de una supercomputadora, que a menudo son inaccesibles para la mayoría de las empresas.

Esta fue la primera vez que alguien utilizó una red neuronal convolucional, un tipo de red neuronal con un estructura más simple que es ideal para reconocer patrones en fotografías, para reconocer con precisión las propiedades estructurales de un material. También es uno de los primeros pasos para acelerar la forma en que los investigadores diseñan y caracterizan los materiales, lo que podría ayudarnos a avanzar hacia una economía de energía totalmente limpia.

Los gatos en Internet juegan un papel

Messner comenzó a diseñar materiales como investigador postdoctoral en el Laboratorio Nacional Lawrence Livermore del DOE, donde un equipo buscaba producir estructuras en una impresora 3D a una escala de micrones, o millonésimas de metro. Mientras es vanguardista, la investigación fue lenta. ¿Podría la IA acelerar los resultados?

En el momento, Los gigantes tecnológicos de Silicon Valley habían comenzado a utilizar redes neuronales convolucionales para reconocer rostros y animales en imágenes. Este Messner inspirado.

"Mi idea era que la estructura de un material no es diferente a una imagen 3D, "Tiene sentido que la versión 3D de esta red neuronal haga un buen trabajo reconociendo las propiedades de la estructura, al igual que una red neuronal aprende que una imagen es un gato o algo más".

Para probar su teoría, Messner dio cuatro pasos. Él:

• diseñó un cuadrado definido con píxeles como ladrillos;
• tomó muestras aleatorias de ese diseño y usó una simulación basada en la física para crear 2 millones de puntos de datos. Esos puntos vincularon su diseño a las propiedades deseadas de densidad y rigidez;
• alimentó los 2 millones de puntos de datos en la red neuronal convolucional. Esto entrenó a la red para buscar los resultados correctos;
• utilizó un algoritmo genético, otro tipo de IA diseñada para optimizar los resultados, junto con la red neuronal convolucional entrenada, para encontrar una estructura general que coincidiera con las propiedades que deseaba.

¿El resultado? El nuevo método de IA encontró la estructura correcta 2, 760 veces más rápido que el modelo estándar basado en la física (0,00075 segundos frente a 0,207 segundos, respectivamente).

Nuevas herramientas impulsan la innovación nuclear

Esta idea abstracta podría transformar la forma en que los ingenieros diseñan los materiales, especialmente aquellos destinados a soportar condiciones con altas temperaturas, presiones y corrosión.

Messner se unió recientemente a un equipo de ingenieros de Argonne y los Laboratorios Nacionales de Idaho y Los Alamos del DOE que se está asociando con Kairos Power, una puesta en marcha nuclear. El equipo está creando herramientas de simulación basadas en inteligencia artificial que ayudarán a Kairos a diseñar un reactor nuclear de sal fundida. cuales, a diferencia de los reactores actuales, utilizará sal fundida como refrigerante. Con esas herramientas el equipo proyectará cómo un tipo específico de acero inoxidable, llamado 316H, se comportará en condiciones extremas durante décadas.

"Este es un pequeño, pero vital, parte del trabajo que estamos haciendo para Kairos Power, "dijo Rui Hu, un ingeniero nuclear que gestiona el papel de Argonne en el proyecto. "Kairos Power quiere modelos muy precisos de cómo se comportarán los componentes del reactor dentro de su reactor para respaldar su solicitud de licencia a la Comisión Reguladora Nuclear. Esperamos poder proporcionar esos modelos".

Otra vía prometedora para este tipo de trabajo es la impresión 3D. Antes de que la impresión 3D se popularizara, Los ingenieros lucharon para construir estructuras como la que Messner encontró usando IA en su artículo de 2019. Sin embargo, hacer una estructura capa por capa con una impresora 3D permite una mayor flexibilidad que los métodos de fabricación tradicionales.

El futuro de la ingeniería mecánica puede estar en la combinación de la impresión 3D con nuevas técnicas basadas en IA, dijo Messner. "Le daría la estructura, determinada por una red neuronal, a alguien con una impresora 3D y la imprimirá con las propiedades que desee, ", dijo." Aún no hemos llegado a ese punto, pero esa es la esperanza ".