Le tecniche di apprendimento automatico hanno contribuito al progresso nei campi della scienza e della tecnologia che vanno dall'assistenza sanitaria alla fisica delle alte energie. Ora, l'apprendimento automatico è pronto ad accelerare lo sviluppo di leghe più resistenti, in particolare acciai inossidabili, per la flotta americana di generazione di energia termica. I materiali più resistenti sono fondamentali per produrre energia in modo efficiente, con conseguenti vantaggi economici e di decarbonizzazione.

"L'utilizzo di acciai altoresistenziali nelle centrali elettriche risale agli anni '50 e ha beneficiato nel tempo di miglioramenti graduali dei materiali, "dice Osman Mamun, un ricercatore associato post-dottorato presso il Pacific Northwest National Laboratory (PNNL). "Se riusciamo a trovare modi per accelerare i miglioramenti o creare nuovi materiali, potremmo vedere una maggiore efficienza negli impianti che riduce anche la quantità di carbonio emessa nell'atmosfera".

Mamun è l'autore principale di due recenti, articoli di riviste correlati che rivelano nuove strategie per l'applicazione dell'apprendimento automatico nella progettazione di leghe avanzate. Gli articoli raccontano i risultati della ricerca di uno sforzo congiunto tra PNNL e il National Energy Technology Laboratory (NETL). Oltre a Mamun, il team di ricerca comprendeva Arun Sathanur e Ram Devanathan di PNNL e Madison Wenzlick e Jeff Hawk di NETL.

Il lavoro è stato finanziato dall'Ufficio per l'energia fossile del Dipartimento dell'energia degli Stati Uniti (DOE) tramite il consorzio "XMAT" - eXtreme environment MATerials -, che include contributi di ricerca da sette laboratori nazionali DOE. Il consorzio cerca di accelerare lo sviluppo di leghe resistenti al calore migliorate per vari componenti di centrali elettriche e di prevedere le prestazioni a lungo termine delle leghe. La storia interna delle centrali elettriche

L'ambiente interno di una centrale termica non perdona. Temperature di esercizio superiori a 650 gradi Celsius e sollecitazioni superiori a 50 megapascal mettono alla prova i componenti in acciaio di un impianto.

"Ma anche, quell'alta temperatura e pressione, insieme a componenti affidabili, sono fondamentali per ottenere una migliore efficienza termodinamica che porta a una riduzione delle emissioni di carbonio e a una maggiore efficienza in termini di costi, "Spiega Mamun.

La collaborazione PNNL-NETL si è concentrata su due tipi di materiali. L'acciaio inossidabile austenitico è ampiamente utilizzato negli impianti perché offre robustezza ed eccellente resistenza alla corrosione, ma la sua durata alle alte temperature è limitata. Anche l'acciaio ferritico-martensitico che contiene cromo nella gamma dal 9 al 12% offre vantaggi in termini di resistenza, ma può essere soggetto a ossidazione e corrosione. Gli operatori degli impianti vogliono materiali che resistono alla rottura e durano per decenni.

Col tempo, Gli approcci sperimentali "prova ed errore" hanno migliorato in modo incrementale l'acciaio, ma sono inefficienti, richiede tempo, e costoso. È fondamentale accelerare lo sviluppo di nuovi materiali con proprietà superiori. Modelli per prevedere la resistenza alla rottura e la vita

I recenti progressi nella modellazione computazionale e nell'apprendimento automatico, Mamun dice, sono diventati importanti nuovi strumenti nella ricerca per ottenere materiali migliori più rapidamente.

Apprendimento automatico, una forma di intelligenza artificiale, applica un algoritmo ai set di dati per sviluppare soluzioni più rapide per problemi scientifici. Questa capacità sta facendo una grande differenza nella ricerca in tutto il mondo, in alcuni casi risparmiando molto tempo alla scoperta scientifica e agli sviluppi tecnologici.

L'applicazione dell'apprendimento automatico da parte del team di ricerca PNNL-NETL è stata descritta nel loro primo articolo di giornale, "Un modello interpretabile assistito dall'apprendimento automatico per la previsione della resistenza alla rottura nelle leghe martensitiche e austenitiche a base di Fe, " pubblicato il 9 marzo in Rapporti scientifici .

Il documento racconta lo sforzo del team per migliorare e analizzare i set di dati sull'acciaio inossidabile, contributo dei membri del team NETL, con tre diversi algoritmi. L'obiettivo finale era costruire un modello predittivo accurato per la resistenza alla rottura dei due tipi di leghe. Il team ha concluso che un algoritmo noto come Gradient Boosted Decision Tree soddisfa al meglio le esigenze di creazione di modelli di apprendimento automatico per una previsione accurata della resistenza alla rottura.

Ulteriore, i ricercatori sostengono che l'integrazione dei modelli risultanti nelle strategie di progettazione delle leghe esistenti potrebbe accelerare l'identificazione di acciai inossidabili promettenti che possiedono proprietà superiori per affrontare sollecitazioni e deformazioni.

"Questo progetto di ricerca non solo ha compiuto un passo verso approcci migliori per estendere l'ambito operativo dell'acciaio nelle centrali elettriche, ma ha anche dimostrato modelli di apprendimento automatico basati sulla fisica per consentire l'interpretazione da parte di scienziati del dominio, " dice il membro del team di ricerca Ram Devanathan, uno scienziato dei materiali computazionali del PNNL. Devanathan guida la spinta scientifica del consorzio XMAT e fa parte del comitato direttivo dell'organizzazione.

Il secondo articolo del team di progetto, "Modello predittivo e generativo aumentato di machine learning per la vita di rottura negli acciai ferritici e austenitici, " è stato pubblicato in npj Degradazione dei materiali l'edizione del 16 aprile

Il team ha concluso nel documento che un modello predittivo basato sull'apprendimento automatico può stimare in modo affidabile la durata di rottura delle due leghe. I ricercatori hanno anche descritto una metodologia per generare leghe sintetiche che potrebbero essere utilizzate per aumentare i dataset sparsi di acciaio inossidabile esistenti, e ha identificato i limiti di tale approccio. L'utilizzo di queste "leghe ipotetiche" nei modelli di apprendimento automatico consente di valutare le prestazioni dei materiali candidati senza prima sintetizzarli in laboratorio.

"I risultati si basano sulle conclusioni del documento precedente e rappresentano un altro passo verso la creazione di modelli interpretabili delle prestazioni della lega in ambienti estremi, fornendo anche approfondimenti sullo sviluppo di set di dati, " Dice Devanathan. "Entrambi gli articoli dimostrano la leadership di pensiero di XMAT in questo campo in rapida crescita".