Исследователи из Департамента материаловедения и инженерии Техасского университета A&M использовали структуру выбора материалов искусственного интеллекта (AIMS), чтобы открыть новый сплав с памятью формы. Сплав с памятью формы показал наибольшую эффективность в процессе эксплуатации, достигнутую до сих пор для материалов на никель-титановой основе. Кроме того, их структура, основанная на данных, предлагает доказательство концепции будущей разработки материалов.

Это исследование было недавно опубликовано в  журнале  Acta Materialia.

Сплавы с памятью формы используются в различных областях, где необходимы компактные, легкие и твердотельные приводы, заменяющие гидравлические или пневматические приводы, поскольку они могут деформироваться в холодном состоянии, а затем возвращаться к своей первоначальной форме при нагревании. Это уникальное свойство имеет решающее значение для таких приложений, как крылья самолетов, реактивные двигатели и автомобильные компоненты, которые должны выдерживать повторяющиеся, восстанавливаемые изменения большой формы.

С момента их появления в середине 1960-х годов в области сплавов с памятью формы было сделано много достижений, но за это пришлось заплатить. Понимание и открытие новых сплавов с памятью формы потребовало обширных исследований путем экспериментов и специальных проб и ошибок. Несмотря на то, что многие из них были задокументированы, чтобы помочь в дальнейшем применении сплавов с памятью формы , открытия новых сплавов происходили в течение десятилетий. Примерно каждые 10 лет обнаруживается значительный состав или система сплава с памятью формы. Более того, даже с достижениями в области сплавов с памятью формы им мешает их низкая энергоэффективность, вызванная несовместимостью их микроструктуры при большом изменении формы. Кроме того, их, как известно, сложно разработать с нуля.

Чтобы устранить эти недостатки, исследователи Texas A&M объединили экспериментальные данные для создания вычислительной системы AIMS, способной определять оптимальные составы материалов и обрабатывать эти материалы, что привело к открытию нового состава сплава с памятью формы.

«При разработке материалов иногда у вас возникает несколько целей или ограничений, которые противоречат друг другу, что очень трудно обойти», — сказал д-р Ибрагим Караман, профессор Chevron I и глава отдела материаловедения и инженерии. «Используя нашу структуру машинного обучения , мы можем использовать экспериментальные данные, чтобы найти скрытые корреляции между свойствами различных материалов, чтобы увидеть, сможем ли мы разработать новые материалы».

Было предсказано, что сплав с памятью формы, обнаруженный в ходе исследования с использованием AIMS, имеет самый узкий гистерезис из когда-либо зарегистрированных. Другими словами, материал показал наименьшие потери энергии при преобразовании тепловой энергии в механическую работу. Материал продемонстрировал высокую эффективность при термоциклировании благодаря чрезвычайно узкому температурному диапазону трансформации. Материал также продемонстрировал превосходную циклическую стабильность при многократном воздействии.

Для сплавов с памятью формы характерна композиция никель-титан-медь. Сплавы никель-титан-медь обычно содержат 50% титана и образуют однофазный материал. Используя машинное обучение, исследователи предсказали другой состав с содержанием титана, равным 47%, и меди, равной 21%. Хотя этот состав находится в двухфазной области и образует частицы, они помогают улучшить свойства материала, пояснил Уильям Трехерн, докторант и аспирант отдела материаловедения и инженерии, а также первый автор публикации.

В частности, этот высокоэффективный сплав с памятью формы подходит для сбора тепловой энергии, для чего требуются материалы, которые могут улавливать отработанную энергию, производимую машинами, и использовать ее, а также для хранения тепловой энергии, которая используется для охлаждения электронных устройств.

В частности, структура AIMS предлагает возможность использовать методы машинного обучения в материаловедении. Исследователи видят потенциал для открытия большего количества химических сплавов с памятью формы с желаемыми характеристиками для различных других применений.

«Это открытие — использовать машинное обучение для поиска связей, которые наш мозг или известные физические принципы не могут объяснить», — сказал Караман. «Мы можем использовать науку о данных и машинное обучение, чтобы ускорить открытие материалов. Я также считаю, что мы потенциально можем открыть новую физику или механизмы, лежащие в основе поведения материалов, о которых мы не знали раньше, если мы обратим внимание на связи, которые может найти машинное обучение.»

Среди других участников — доктор Раймундо Аррояве и доктор Кадри Кан Атли, профессора кафедры материаловедения и инженерии, а также студент бакалавриата материаловедения и инженерии Ришейл Ортис-Аяла.

«Хотя машинное обучение в настоящее время широко используется в материаловедении , большинство подходов на сегодняшний день сосредоточено на прогнозировании свойств материала без обязательного объяснения того, как его обрабатывать для достижения целевых свойств», — сказал Аррояв. «Здесь структура рассматривала не только химический состав материалов-кандидатов, но и обработку, необходимую для достижения интересующих свойств».