Il processo di fabbricazione dei materiali è complicato, lungo e costoso. Troppo di un materiale, o troppo poco, può creare problemi con il prodotto, costringendo il processo di progettazione a ricominciare. Sono necessari progressi nel processo di progettazione per ridurre i costi e il tempo necessari per produrre materiali con proprietà mirate.

Finanziato dalla National Science Foundation (NSF), i ricercatori della Texas A&M University utilizzano tecniche computazionali avanzate e di apprendimento automatico per creare una struttura in grado di ottimizzare il processo di sviluppo dei materiali, tagliando tempi e costi.

"Il nostro obiettivo generale è lavorare sulla progettazione dei materiali considerando le relazioni processo-struttura-proprietà per produrre materiali con proprietà mirate, " ha detto il dottor Douglas Allaire, professore associato presso il Dipartimento di Ingegneria Meccanica J. Mike Walker '66. "Nel nostro lavoro, dimostriamo un design sensibile alla microstruttura delle leghe con un framework di ottimizzazione bayesiano in grado di sfruttare più fonti di informazioni".

I framework basati sull'ottimizzazione bayesiana utilizzano le conoscenze pregresse come modelli per prevedere i risultati. Nel passato, i ricercatori hanno utilizzato questo quadro in correlazione con una singola fonte di informazioni (simulazione o esperimento). Se quel metodo fallisce, il processo riparte con la speranza di fare i giusti aggiustamenti sulla base di questo modello.

I ricercatori hanno rifiutato questa nozione e credono invece che molte fonti di informazioni possano essere estratte utilizzando un framework bayesiano per sviluppare un quadro più completo dei processi sottostanti. Hanno combinato più fonti di informazioni per creare materiali con proprietà mirate in modo più efficiente, esaminando i dati nella loro interezza piuttosto che nelle sue parti.

"Quello che pensiamo, è molto diverso, è che puoi avere molti modelli potenziali diversi o fonti di informazioni, " ha detto il dottor Raymundo Arróyave, docente presso il Dipartimento di Scienza e Ingegneria dei Materiali. "Ci sono molti modi per capire/modellare il comportamento dei materiali, sia attraverso esperimenti che simulazioni. La nostra idea è di combinare tutti questi diversi modelli in un unico, modello 'fuso' che combina i punti di forza di tutti gli altri modelli riducendo le loro debolezze individuali."

La loro ricerca, intitolato "Sfruttare in modo efficiente le relazioni processo-struttura-proprietà nella progettazione dei materiali mediante la fusione di più fonti di informazioni, " è stato recentemente pubblicato nel Vol. 26 del Acta Materialia rivista.

"Storicamente queste catene di modelli non hanno considerato l'ampiezza delle fonti di informazione disponibili, " ha detto Allaire. " Considerano i singoli modelli lungo la catena dal processo, attraverso la struttura, alla proprietà. Di conseguenza, non sono così efficienti o precisi come potrebbero essere."

I ricercatori stanno attualmente testando questa struttura sviluppando acciai a doppia fase tipicamente utilizzati sui telai delle automobili. Gli acciai bifase sono costituiti da due fasi con proprietà molto diverse e complementari.

"Ci sono due fasi; la fase martensite rende questo particolare acciaio molto resistente, " ha detto Arróyave. "La fase ferritica è più morbida e rende l'acciaio più cedevole e suscettibile di deformazione. Con solo microstrutture martensitiche, questi materiali sono resistenti, ma si rompono facilmente. Però, se unisci la forza della martensite alla duttilità della ferrite, puoi realizzare acciai molto resistenti, può assorbire energia durante l'impatto e può essere fabbricato in forme complesse come i telai delle automobili".

Utilizzando il metodo sviluppato in questo lavoro, l'obiettivo è sviluppare una struttura che preveda in modo più preciso ed efficace la composizione e l'elaborazione (ricetta) necessarie per un progetto specifico. A sua volta, questo riduce il numero di simulazioni ed esperimenti necessari, riducendo drasticamente i costi.

"La conoscenza che acquisiamo sul processo di progettazione dei materiali nel suo insieme utilizzando il nostro framework è molto maggiore della somma di tutte le informazioni estratte da singoli modelli o tecniche sperimentali, " ha detto il dottor Ankit Srivastava, assistente professore per il dipartimento di scienza e ingegneria dei materiali. "Il framework consente ai ricercatori di apprendere in modo efficiente mentre procedono, poiché non solo raccoglie e fonde informazioni da più modelli/esperimenti, ma indica anche quale fonte di informazioni, ad es. un particolare modello o esperimento fornisce loro il miglior rapporto qualità-prezzo o tempo, che migliora davvero il processo decisionale."

Nel futuro, sperano che il loro framework sia ampiamente utilizzato quando si tentano compiti che coinvolgono la progettazione di materiali computazionali integrati.

"La nostra speranza è che presentando queste capacità di ottimizzazione bayesiana basate sulla fusione del modello, renderemo più efficiente e accurato il processo di ricerca di nuovi materiali, " ha affermato Allaire. "Vogliamo che qualsiasi ricercatore utilizzi i modelli a sua disposizione senza preoccuparsi troppo di come integrare i modelli nella propria catena di modellizzazione perché il nostro framework di ottimizzazione bayesiana gestisce tale integrazione per loro".