Machine learning en 3D-printen leveren staalsterke, schuimlichte materialen op

Onderzoekers van de faculteit Applied Science & Engineering van de Universiteit van Toronto hebben machinaal leren gebruikt om materialen met nano-architectuur te ontwerpen die de sterkte hebben van koolstofstaal, maar de lichtheid van piepschuim.

In een nieuw artikel gepubliceerd in Geavanceerde materialenbeschrijft een team onder leiding van professor Tobin Filleter hoe ze nanomaterialen maakten met eigenschappen die een tegenstrijdige combinatie bieden van uitzonderlijke sterkte, licht gewicht en aanpasbaarheid. De aanpak zou een breed scala aan industrieën ten goede kunnen komen, van de automobielsector tot de lucht- en ruimtevaart.

“Nano-architectuurmaterialen combineren hoogwaardige vormen, zoals het maken van een brug uit driehoeken, op nanoschaalgroottes, waarbij gebruik wordt gemaakt van het ‘kleiner is sterker’-effect, om de hoogste sterkte-tot-gewicht- en stijfheid-tot-sterkte-verhoudingen te bereiken.” gewichtsverhoudingen, van welk materiaal dan ook”, zegt Peter Serles, de eerste auteur van het nieuwe artikel.

“De standaard gebruikte roostervormen en geometrieën hebben echter de neiging scherpe kruispunten en hoeken te hebben, wat leidt tot het probleem van spanningsconcentraties. Dit resulteert in vroegtijdig lokaal falen en breken van de materialen, waardoor hun algehele potentieel wordt beperkt.

“Toen ik over deze uitdaging nadacht, besefte ik dat het een perfect probleem is om machinaal leren aan te pakken.”

Materialen met een nano-architectuur zijn gemaakt van kleine bouwstenen of zich herhalende eenheden van een paar honderd nanometer groot. Er zouden meer dan 100 van deze bouwstenen op een rij nodig zijn om de dikte van een mensenhaar te bereiken. Deze bouwstenen, die in dit geval uit koolstof bestaan, zijn gerangschikt in complexe 3D-structuren die nanoroosters worden genoemd.

Om hun verbeterde materialen te ontwerpen, werkten Serles en Filleter samen met professor Seunghwa Ryu en Ph.D. student Jinwook Yeo aan het Korea Advanced Institute of Science & Technology (KAIST) in Daejeon, Zuid-Korea. Dit partnerschap is tot stand gekomen via het International Doctoral Clusters-programma van de Universiteit van Toronto, dat doctoraatsopleidingen ondersteunt door middel van onderzoeksbetrokkenheid met internationale medewerkers.

Het KAIST-team maakte gebruik van het multi-objectieve Bayesiaanse machine learning-algoritme voor optimalisatie. Dit algoritme leerde van gesimuleerde geometrieën om de best mogelijke geometrieën te voorspellen voor het verbeteren van de spanningsverdeling en het verbeteren van de sterkte-gewichtsverhouding van ontwerpen met nano-architectuur.

Serles gebruikte vervolgens een 3D-printer met twee fotonenpolymerisatie, gehuisvest in het Center for Research and Application in Fluidic Technologies (CRAFT), om prototypes te maken voor experimentele validatie. Deze technologie voor additieve productie maakt 3D-printen op micro- en nanoschaal mogelijk, waardoor geoptimaliseerde koolstofnanoroosters ontstaan.

Deze geoptimaliseerde nanoroosters hebben de sterkte van bestaande ontwerpen meer dan verdubbeld en zijn bestand tegen een spanning van 2,03 megapascal voor elke kubieke meter per kilogram dichtheid, wat ongeveer vijf keer hoger is dan die van titanium.

“Dit is de eerste keer dat machinaal leren wordt toegepast om materialen met een nano-architectuur te optimaliseren, en we waren geschokt door de verbeteringen”, zegt Serles. “Het repliceerde niet alleen succesvolle geometrieën uit de trainingsgegevens; het leerde van welke veranderingen in de vormen werkten en wat niet, waardoor het geheel nieuwe roostergeometrieën kon voorspellen.

“Machine learning is normaal gesproken erg data-intensief, en het is moeilijk om veel data te genereren als je data van hoge kwaliteit uit eindige-elementenanalyse gebruikt. Maar het multi-objectieve Bayesiaanse optimalisatie-algoritme had slechts 400 datapunten nodig, terwijl andere algoritmen dat misschien wel zouden doen. We hebben er 20.000 of meer nodig. We konden dus met een veel kleinere dataset van extreem hoge kwaliteit werken.”

“We hopen dat deze nieuwe materiaalontwerpen uiteindelijk zullen leiden tot ultralichte componenten in lucht- en ruimtevaarttoepassingen, zoals vliegtuigen, helikopters en ruimtevaartuigen, die de brandstofbehoefte tijdens de vlucht kunnen verminderen terwijl de veiligheid en prestaties behouden blijven”, zegt Filleter. “Dit kan uiteindelijk helpen de hoge ecologische voetafdruk van vliegen te verkleinen.”

“Als je bijvoorbeeld componenten van titanium in een vliegtuig zou vervangen door dit materiaal, zou je een brandstofbesparing van 80 liter per jaar tegenkomen voor elke kilogram materiaal die je vervangt”, voegt Serles toe.

Andere bijdragen aan het project zijn onder meer de professoren Yu Zou, Chandra Veer Singh, Jane Howe en Charles Jia van de Universiteit van Toronto, evenals internationale medewerkers van het Karlsruhe Institute of Technology (KIT) in Duitsland, het Massachusetts Institute of Technology (MIT) en de Rice University in de Verenigde Staten.

“Dit was een veelzijdig project dat verschillende elementen uit de materiaalkunde, machinaal leren, scheikunde en mechanica samenbracht om ons te helpen begrijpen hoe we deze technologie kunnen verbeteren en implementeren”, zegt Serles, die nu Schmidt Science Fellow is aan het California Institute. van technologie (Caltech).

“Onze volgende stappen zullen zich richten op het verder verbeteren van de opschaling van deze materiaalontwerpen om kosteneffectieve componenten op macroschaal mogelijk te maken”, voegt Filleter toe.

“Daarnaast zullen we doorgaan met het onderzoeken van nieuwe ontwerpen die de materiaalarchitectuur naar een nog lagere dichtheid duwen, terwijl de hoge sterkte en stijfheid behouden blijven.”