[ad_1]
Cada vez que conduce sin problemas de A a B, no sólo disfruta de la comodidad de su automóvil, sino también de la sofisticada tecnología que lo hace seguro y confiable. Más allá de su comodidad y características protectoras, hay un aspecto menos conocido pero crucial: el rendimiento mecánico optimizado por expertos de los materiales microestructurados. Estos materiales integrales, pero a menudo pasados por alto, refuerzan su vehículo y garantizan durabilidad y resistencia en cada viaje.
Afortunadamente, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT lo han pensado por usted. Un equipo de investigadores fue más allá de los métodos tradicionales de prueba y error para desarrollar materiales con un rendimiento excepcional mediante diseño computacional. Su nuevo sistema integra experimentos de física, simulaciones basadas en la física y redes neuronales para superar las discrepancias comunes entre los modelos teóricos y los resultados prácticos. Uno de los resultados más notables: el descubrimiento de compuestos microestructurados -utilizados en todo, desde automóviles hasta aviones- que son mucho más resistentes y duraderos, con un equilibrio óptimo entre rigidez y tenacidad.
“El diseño y fabricación de materiales compuestos es fundamental para la ingeniería. Es de esperar que las implicaciones de nuestro trabajo se extiendan mucho más allá del campo de la mecánica de sólidos. «Nuestra metodología proporciona un modelo para un diseño computacional que puede adaptarse a diversos campos, como la química de polímeros, la dinámica de fluidos, la meteorología e incluso la robótica», dice Beichen Li, estudiante de doctorado del MIT en ingeniería eléctrica e informática, investigador principal asociado de CSAIL. sobre el proyecto.
Un artículo de acceso abierto sobre el trabajo fue publicado en Avances científicos a principios de este mes.
En el vibrante mundo de la ciencia de los materiales, los átomos y las moléculas son como pequeños arquitectos que trabajan juntos constantemente para dar forma al futuro de todo. Aún así, cada elemento debe encontrar su compañero perfecto y en este caso la atención se centró en encontrar un equilibrio entre dos propiedades críticas del material: rigidez y dureza. Su método implicó un gran espacio de diseño compuesto por dos tipos de materiales base (uno duro y quebradizo, el otro blando y dúctil) para explorar diferentes disposiciones espaciales y descubrir microestructuras óptimas.
Una innovación clave en su enfoque fue el uso de redes neuronales como modelos sustitutos para las simulaciones, lo que redujo el tiempo y los recursos necesarios para el diseño de materiales. «Este algoritmo evolutivo, acelerado por redes neuronales, guía nuestra exploración y nos permite encontrar de manera eficiente las muestras con mejor rendimiento», dice Li.
Microestructuras mágicas
El equipo de investigación comenzó su proceso creando fotopolímeros impresos en 3D, aproximadamente del tamaño de un teléfono inteligente pero más delgados, agregando una pequeña muesca y un corte triangular a cada uno. Después de un tratamiento especial con luz ultravioleta, las muestras se evaluaron utilizando una máquina de prueba estándar, la Instron 5984, para realizar pruebas de tracción para medir la resistencia y la flexibilidad.
Al mismo tiempo, el estudio combinó pruebas físicas con sofisticadas simulaciones. Utilizando un marco informático de alto rendimiento, el equipo pudo predecir y refinar las propiedades de los materiales incluso antes de que fueran creados. El mayor logro, dijeron, reside en la sofisticada técnica de unir diferentes materiales a nivel microscópico, un método que implica un intrincado patrón de pequeñas gotas que fusionan sustancias rígidas y flexibles, logrando el equilibrio adecuado entre fuerza y flexibilidad. Las simulaciones coincidieron en gran medida con los resultados de las pruebas físicas, lo que confirmó la eficacia general.
El sistema se completó con el algoritmo «Optimización multiobjetivo acelerada por red neuronal» (NMO) para navegar por el complejo panorama de diseño de microestructuras y descubrir configuraciones que tenían propiedades mecánicas casi óptimas. El flujo de trabajo funciona como un mecanismo de autocorrección que refina continuamente las predicciones para alinearlas mejor con la realidad.
Sin embargo, el viaje no estuvo exento de desafíos. Li destaca las dificultades de mantener la coherencia en la impresión 3D e integrar predicciones de redes neuronales, simulaciones y experimentos del mundo real en un proceso eficiente.
En los próximos pasos, el equipo se centrará en hacer que el proceso sea más fácil de usar y escalable. Li imagina un futuro en el que los laboratorios estén completamente automatizados, minimizando la supervisión humana y maximizando la eficiencia. «Nuestro objetivo es automatizar todo, desde la fabricación hasta las pruebas y los cálculos en una configuración de laboratorio integrada», concluye Li.
Junto a Li en el trabajo se encuentran el autor principal y profesor del MIT Wojciech Matusik, así como el profesor asociado Tae-Hyun Oh de la Universidad de Ciencia y Tecnología de Pohang, y los miembros del MIT CSAIL Bolei Deng, ex becario postdoctoral y ahora profesor asistente en Georgia Tech. ; Wan Shou, ex investigador postdoctoral y ahora profesor asistente en la Universidad de Arkansas; Yuanming Hu MS ’18 PhD ’21; Yiyue Luo MS ’20; y Liang Shi, un estudiante graduado del MIT en ingeniería eléctrica e informática. La investigación del grupo contó con el apoyo parcial de la Fábrica de Anilina y Soda de Baden (BASF).
[ad_2]