Forskere optimerer materialedesign ved hjælp af beregningsteknologier

Processen med at fremstille materialer er kompliceret, tidskrævende og omkostningskrævende. For meget af ét materiale, eller for lidt, kan skabe problemer med produktet, tvinger designprocessen til at begynde igen. Fremskridt i designprocessen er nødvendige for at reducere omkostningerne og den tid, det tager at producere materialer med målrettede egenskaber.

Finansieret af National Science Foundation (NSF), forskere ved Texas A&M University bruger avancerede beregnings- og maskinlæringsteknikker til at skabe en ramme, der er i stand til at optimere processen med at udvikle materialer, skære tid og omkostninger.

"Vores generelle fokus er at arbejde på materialedesign ved at overveje proces-struktur-egenskabsforhold for at producere materialer med målrettede egenskaber, " sagde Dr. Douglas Allaire, lektor i J. Mike Walker '66 Department of Mechanical Engineering. "I vores arbejde vi demonstrerer et mikrostrukturfølsomt design af legeringer med en Bayesiansk optimeringsramme, der er i stand til at udnytte flere informationskilder."

Bayesianske optimeringsbaserede rammer bruger forudgående viden som modeller til at forudsige resultater. I fortiden, forskere har brugt denne ramme i sammenhæng med en enkelt informationskilde (simulering eller eksperiment). Hvis metoden mislykkedes, processen starter igen med håbet om at foretage de rigtige justeringer baseret på denne model.

Forskerne har afvist denne opfattelse og mener i stedet, at mange informationskilder kan trækkes ved hjælp af en Bayesiansk ramme til at udvikle et mere komplet billede af underliggende processer. De har kombineret flere informationskilder for at skabe materialer med målrettede egenskaber mere effektivt ved at se på data i dets helhed frem for dets dele.

"Hvad vi tænker, det er meget anderledes, er, at du kan have mange forskellige potentielle modeller eller informationskilder, " sagde Dr. Raymundo Arróyave, professor ved Institut for Materialevidenskab og Teknik. "Der er mange måder at forstå/modellere materialers adfærd på, enten gennem eksperimenter eller simuleringer. Vores idé er at kombinere alle disse forskellige modeller til en enkelt, 'sammensmeltet' model, der kombinerer styrkerne fra alle de andre modeller, mens de reducerer deres individuelle svagheder."

Deres forskning, med titlen "Effektiv udnyttelse af proces-struktur-egenskabsforhold i materialedesign ved multi-informationskildefusion, " blev for nylig offentliggjort i bind 26 af Acta Materialia tidsskrift.

"Disse modelkæder har historisk set ikke overvejet bredden af ​​tilgængelige informationskilder, " sagde Allaire. "De overvejer enkelte modeller langs kæden fra proces, gennem struktur, til ejendom. Som resultat, de er ikke så effektive eller nøjagtige, som de kunne være."

Forskerne tester i øjeblikket denne ramme ved at udvikle tofaset stål, der typisk bruges på bilrammer. Tofaset stål er lavet af to faser med meget forskellige og komplementære egenskaber.

"Der er to faser; martensitfasen gør netop dette stål meget stærkt, " sagde Arróyave. "Den ferritiske fase er blødere og gør stålet mere eftergiveligt og modtageligt for deformation. Med kun martensitiske mikrostrukturer, disse materialer er stærke, men de går let i stykker. Imidlertid, hvis du kombinerer styrken af ​​martensit med duktiliteten af ​​ferrit, du kan lave stål, der er meget stærkt, kan absorbere energi under sammenstød, og det kan fremstilles til komplekse former, såsom bilrammer."

Ved at bruge metoden udviklet i dette arbejde, målet er at udvikle en ramme, der mere præcist og effektivt forudsiger den nødvendige sammensætning og bearbejdning (opskrift) for et specifikt design. På tur, dette reducerer antallet af nødvendige simuleringer og eksperimenter, drastisk reducere omkostningerne.

"Den viden, vi får om materialedesignprocessen som helhed ved at bruge vores rammeværk, er meget større end summen af ​​al information udtrukket fra individuelle modeller eller eksperimentelle teknikker, " sagde Dr. Ankit Srivastava, adjunkt for materialevidenskab og ingeniørafdeling. "Rammen giver forskere mulighed for effektivt at lære, mens de går, da den ikke blot indsamler og fusionerer information fra flere modeller/eksperimenter, men den fortæller dem også, hvilken informationskilde, dvs. en bestemt model eller eksperiment giver dem den bedste værdi for deres penge eller tid, hvilket virkelig forbedrer beslutningsprocessen."

I fremtiden, de håber, at deres rammer bliver brugt i vid udstrækning, når de forsøger sig med opgaver, der involverer integreret beregningsmaterialedesign.

"Vores håb er, at ved at præsentere disse modelfusionsbaserede Bayesianske optimeringsmuligheder, vi vil gøre søgeprocessen efter nye materialer mere effektiv og præcis, " sagde Allaire. "Vi ønsker, at enhver forsker skal bruge de modeller, de har til rådighed for dem, uden at bekymre sig så meget om, hvordan man integrerer modellerne i deres egen modelleringskæde, fordi vores Bayesianske optimeringsramme håndterer denne integration for dem."