Ny formhukommelseslegering opdaget gennem kunstig intelligens-ramme

Forskere fra Department of Materials Science and Engineering ved Texas A&M University har brugt en Artificial Intelligence Materials Selection framework (AIMS) til at opdage en ny formhukommelseslegering. Formhukommelseslegeringen viste den højeste effektivitet under drift opnået hidtil for nikkel-titanium-baserede materialer. Derudover tilbyder deres datadrevne rammeværk proof of concept for fremtidig materialeudvikling.

Denne undersøgelse blev for nylig offentliggjort i Acta Materialia tidsskrift.

Formhukommelseslegeringer bruges på forskellige områder, hvor der er behov for kompakte, lette og solid-state aktiveringer, der erstatter hydrauliske eller pneumatiske aktuatorer, fordi de kan deformeres, når de er kolde og derefter vende tilbage til deres oprindelige form, når de opvarmes. Denne unikke egenskab er afgørende for applikationer, såsom flyvinger, jetmotorer og bilkomponenter, der skal modstå gentagne, genskabelige store formændringer.

Der har været mange fremskridt inden for formhukommelseslegeringer siden deres begyndelse i midten af ​​1960'erne, men til en pris. Forståelse og opdagelse af nye formhukommelseslegeringer har krævet omfattende forskning gennem eksperimenter og ad-hoc forsøg og fejl. På trods af mange, der er blevet dokumenteret for at hjælpe yderligere med at forme hukommelseslegeringsapplikationer, er nye legeringsopdagelser fundet sted på en årtiers måde. Omtrent hvert 10. år er en sammensætning eller system af en betydelig formhukommelseslegering blevet opdaget. Desuden, selv med fremskridt inden for formhukommelseslegeringer, hindres de af deres lave energieffektivitet, forårsaget af uforeneligheder i deres mikrostruktur under den store formændring. Desuden er de notorisk svære at designe fra bunden.

For at løse disse mangler har Texas A&M-forskere kombineret eksperimentelle data for at skabe en AIMS-beregningsramme, der er i stand til at bestemme optimale materialesammensætninger og behandle disse materialer, hvilket førte til opdagelsen af ​​en ny formhukommelseslegeringssammensætning.

"Når du designer materialer, har du nogle gange flere mål eller begrænsninger, der er i konflikt, hvilket er meget vanskeligt at omgå," sagde Dr. Ibrahim Karaman, Chevron Professor I og afdelingsleder for materialevidenskab og ingeniørvidenskab. "Ved at bruge vores maskinlæringsramme kan vi bruge eksperimentelle data til at finde skjulte sammenhænge mellem forskellige materialers funktioner for at se, om vi kan designe nye materialer."

Formhukommelseslegeringen fundet under undersøgelsen ved hjælp af AIMS blev forudsagt og bevist at opnå den smalleste hysterese, der nogensinde er registreret. Materialet viste med andre ord det laveste energitab ved konvertering af termisk energi til mekanisk arbejde. Materialet viste høj effektivitet, når det blev udsat for termisk cykling på grund af dets ekstremt lille transformationstemperaturvindue. Materialet udviste også fremragende cyklisk stabilitet under gentagen aktivering.

En nikkel-titan-kobber-sammensætning er typisk for formhukommelseslegeringer. Nikkel-titan-kobber-legeringer har typisk titanium svarende til 50% og danner et enkeltfaset materiale. Ved hjælp af maskinlæring forudsagde forskerne en anden sammensætning med titanium svarende til 47% og kobber svarende til 21%. Mens denne sammensætning er i tofaseregionen og danner partikler, hjælper de med at forbedre materialets egenskaber, forklarede William Trehern, doktorand og kandidatforsker i afdelingen for materialevidenskab og ingeniørvidenskab og publikationens første forfatter.

Især egner denne højeffektive formhukommelseslegering sig til termisk energihøst, som kræver materialer, der kan opfange spildenergi produceret af maskiner og tage den i brug, og termisk energilagring, som bruges til afkøling af elektroniske enheder.

Mere bemærkelsesværdigt giver AIMS-rammen mulighed for at bruge maskinlæringsteknikker i materialevidenskab. Forskerne ser potentiale til at opdage flere formhukommelseslegeringskemier med ønskede egenskaber til forskellige andre anvendelser.

"Det er en åbenbaring at bruge maskinlæring til at finde forbindelser, som vores hjerne eller kendte fysiske principper måske ikke er i stand til at forklare," sagde Karaman. "Vi kan bruge datavidenskab og maskinlæring til at accelerere hastigheden af ​​materialeopdagelse. Jeg tror også, at vi potentielt kan opdage ny fysik eller mekanismer bag materialeadfærd, som vi ikke kendte før, hvis vi er opmærksomme på de sammenhænge, ​​maskinlæring kan finde. "

Andre bidragydere omfatter Dr. Raymundo Arróyave og Dr. Kadri Can Atli, professorer i afdelingen for materialevidenskab og ingeniørvidenskab, og materialevidenskab og ingeniørstuderende Risheil Ortiz-Ayala.

"Mens maskinlæring nu er meget brugt i materialevidenskab, fokuserer de fleste tilgange til dato på at forudsige et materiales egenskaber uden nødvendigvis at forklare, hvordan man behandler det for at opnå målegenskaber," sagde Arróyave. "Her så rammen ikke kun på den kemiske sammensætning af kandidatmaterialer, men også den forarbejdning, der er nødvendig for at opnå de relevante egenskaber." + Udforsk yderligere

En legering, der bevarer sin hukommelse ved høje temperaturer