I ricercatori del Dipartimento di scienza e ingegneria dei materiali della Texas A&M University hanno utilizzato un framework di selezione dei materiali di intelligenza artificiale (AIMS) per scoprire una nuova lega a memoria di forma. La lega a memoria di forma ha mostrato la massima efficienza durante il funzionamento finora raggiunta per i materiali a base di nichel-titanio. Inoltre, il loro framework basato sui dati offre una prova di concetto per lo sviluppo futuro dei materiali.

Questo studio è stato recentemente pubblicato negli Acta Materiali rivista.

Le leghe a memoria di forma sono utilizzate in vari campi dove sono necessarie attuazioni compatte, leggere e allo stato solido, in sostituzione di attuatori idraulici o pneumatici perché possono deformarsi a freddo per poi tornare alla loro forma originale quando riscaldati. Questa proprietà unica è fondamentale per applicazioni, come ali di aeroplani, motori a reazione e componenti automobilistici, che devono resistere a cambiamenti ripetuti e recuperabili di grande forma.

Ci sono stati molti progressi nelle leghe a memoria di forma sin dai loro inizi a metà degli anni '60, ma a un costo. La comprensione e la scoperta di nuove leghe a memoria di forma ha richiesto ricerche approfondite attraverso la sperimentazione e prove ed errori ad hoc. Nonostante molti siano stati documentati per aiutare ulteriormente le applicazioni di leghe a memoria di forma, nuove scoperte di leghe sono avvenute in modo decennale. Circa ogni 10 anni è stata scoperta una composizione o un sistema di leghe a memoria di forma significativa. Inoltre, anche con i progressi nelle leghe a memoria di forma, sono ostacolati dalla loro bassa efficienza energetica, causata da incompatibilità nella loro microstruttura durante il grande cambio di forma. Inoltre, sono notoriamente difficili da progettare da zero.

Per affrontare queste carenze, i ricercatori del Texas A&M hanno combinato i dati sperimentali per creare un quadro computazionale AIMS in grado di determinare le composizioni ottimali dei materiali e di elaborare questi materiali, il che ha portato alla scoperta di una nuova composizione di leghe a memoria di forma.

"Quando si progettano materiali, a volte si hanno più obiettivi o vincoli in conflitto, che è molto difficile aggirare", ha affermato il dott. Ibrahim Karaman, Professore I della Chevron e capo del dipartimento di scienza dei materiali e ingegneria. "Utilizzando il nostro framework di apprendimento automatico, possiamo utilizzare i dati sperimentali per trovare correlazioni nascoste tra le caratteristiche dei diversi materiali per vedere se siamo in grado di progettare nuovi materiali."

È stato previsto e dimostrato che la lega a memoria di forma trovata durante lo studio utilizzando l'AIMS raggiunge l'isteresi più stretta mai registrata. In altre parole, il materiale ha mostrato la più bassa perdita di energia durante la conversione dell'energia termica in lavoro meccanico. Il materiale ha mostrato un'elevata efficienza quando soggetto a cicli termici grazie alla sua finestra di temperatura di trasformazione estremamente piccola. Il materiale ha anche mostrato un'eccellente stabilità ciclica sotto azionamento ripetuto.

Una composizione di nichel-titanio-rame è tipica per le leghe a memoria di forma. Le leghe nichel-titanio-rame hanno tipicamente titanio pari al 50% e formano un materiale monofase. Utilizzando il machine learning, i ricercatori hanno previsto una diversa composizione con titanio pari al 47% e rame pari al 21%. Sebbene questa composizione si trovi nella regione delle due fasi e formi particelle, aiutano a migliorare le proprietà del materiale, ha spiegato William Trehern, studente di dottorato e assistente di ricerca laureato nel dipartimento di scienze dei materiali e ingegneria e primo autore della pubblicazione.

In particolare, questa lega a memoria di forma ad alta efficienza si presta all'energy harvesting termico, che richiede materiali in grado di catturare l'energia di scarto prodotta dalle macchine e metterla in uso, e all'accumulo di energia termica, che viene utilizzata per il raffreddamento di dispositivi elettronici.

In particolare, il framework AIMS offre l'opportunità di utilizzare tecniche di apprendimento automatico nella scienza dei materiali. I ricercatori vedono il potenziale per scoprire più sostanze chimiche in leghe a memoria di forma con le caratteristiche desiderate per varie altre applicazioni.

"È una rivelazione utilizzare l'apprendimento automatico per trovare connessioni che il nostro cervello o i principi fisici conosciuti potrebbero non essere in grado di spiegare", ha affermato Karaman. "Possiamo utilizzare la scienza dei dati e l'apprendimento automatico per accelerare il tasso di scoperta dei materiali. Credo anche che possiamo potenzialmente scoprire nuova fisica o meccanismi alla base del comportamento dei materiali che non conoscevamo prima se prestiamo attenzione alle connessioni che l'apprendimento automatico può trovare. "

Altri collaboratori includono il dottor Raymundo Arróyave e il dottor Kadri Can Atli, professori nel dipartimento di scienze dei materiali e ingegneria, e lo studente universitario di scienze dei materiali e ingegneria Risheil Ortiz-Ayala.

"Sebbene l'apprendimento automatico sia ora ampiamente utilizzato nella scienza dei materiali, la maggior parte degli approcci fino ad oggi si concentra sulla previsione delle proprietà di un materiale senza necessariamente spiegare come elaborarlo per ottenere le proprietà target", ha affermato Arróyave. "Qui, il quadro ha esaminato non solo la composizione chimica dei materiali candidati, ma anche il trattamento necessario per ottenere le proprietà di interesse". + Esplora ulteriormente

Una lega che mantiene la sua memoria alle alte temperature