Het proces van het vervaardigen van materialen is ingewikkeld, tijdrovend en kostbaar. Te veel van één materiaal, of te weinig, kan problemen veroorzaken met het product, waardoor het ontwerpproces opnieuw moet beginnen. Vooruitgang in het ontwerpproces is nodig om de kosten en tijd te verminderen die nodig zijn om materialen met gerichte eigenschappen te produceren.

Gefinancierd door de National Science Foundation (NSF), onderzoekers van de Texas A&M University gebruiken geavanceerde computationele en machinale leertechnieken om een ​​raamwerk te creëren dat het proces van het ontwikkelen van materialen kan optimaliseren, tijd en kosten te besparen.

"Onze algemene focus ligt op het werken aan materiaalontwerp door rekening te houden met proces-structuur-eigenschappen om materialen met gerichte eigenschappen te produceren, " zei dr. Douglas Allaire, universitair hoofddocent bij de afdeling Werktuigbouwkunde van J. Mike Walker '66. "In ons werk we demonstreren een microstructuurgevoelig ontwerp van legeringen met een Bayesiaans optimalisatieraamwerk dat in staat is meerdere informatiebronnen te benutten."

Op Bayesiaanse optimalisatie gebaseerde frameworks gebruiken voorkennis als modellen om resultaten te voorspellen. Vroeger, onderzoekers hebben dit raamwerk gebruikt in samenhang met een enkele informatiebron (simulatie of experiment). Als die methode mislukt, het proces begint opnieuw met de hoop om op basis van dit model de juiste aanpassingen te maken.

De onderzoekers hebben dit idee verworpen en zijn in plaats daarvan van mening dat veel informatiebronnen kunnen worden getrokken met behulp van een Bayesiaans raamwerk om een ​​completer beeld van onderliggende processen te ontwikkelen. Ze hebben meerdere informatiebronnen gecombineerd om materialen met gerichte eigenschappen efficiënter te maken door de gegevens in hun geheel te bekijken in plaats van de delen ervan.

"Wat wij denken, dat is heel anders, is dat je veel verschillende potentiële modellen of informatiebronnen kunt hebben, " zei Dr. Raymundo Arróyave, hoogleraar bij de afdeling Materials Science and Engineering. "Er zijn veel manieren om het gedrag van materialen te begrijpen/modelleren, hetzij door experimenten of simulaties. Ons idee is om al deze verschillende modellen te combineren in een enkele, 'fused'-model dat de sterke punten van alle andere modellen combineert en tegelijkertijd hun individuele zwakheden vermindert."

Hun onderzoek, getiteld "Efficiënt gebruik maken van proces-structuur-eigenschap relaties in materiaalontwerp door fusie van meerdere informatiebronnen, " werd onlangs gepubliceerd in deel 26 van de Acta Materialia logboek.

"Deze modelketens hebben in het verleden geen rekening gehouden met de breedte van beschikbare informatiebronnen, "zei Allaire. "Ze beschouwen afzonderlijke modellen langs de keten van proces, door structuur, tot eigendom. Als resultaat, ze zijn niet zo efficiënt of nauwkeurig als ze zouden kunnen zijn."

De onderzoekers testen dit raamwerk momenteel door tweefasige staalsoorten te ontwikkelen die doorgaans worden gebruikt op autoframes. Tweefasige staalsoorten zijn gemaakt van twee fasen met zeer verschillende en complementaire eigenschappen.

"Er zijn twee fasen; de martensietfase maakt dit specifieke staal erg sterk, "zei Arróyave. "De ferritische fase is zachter en maakt het staal flexibeler en vatbaarder voor vervorming. Met alleen martensitische microstructuren, deze materialen zijn sterk, maar ze breken gemakkelijk. Echter, als je de sterkte van martensiet combineert met de taaiheid van ferriet, je kunt staal maken dat erg sterk is, energie kan absorberen tijdens een botsing en die kan worden gefabriceerd in complexe vormen zoals autoframes."

Met behulp van de methode die in dit werk is ontwikkeld, het doel is om een ​​raamwerk te ontwikkelen dat nauwkeuriger en effectiever de benodigde samenstelling en verwerking (recept) voor een specifiek ontwerp voorspelt. Beurtelings, dit vermindert het aantal benodigde simulaties en experimenten, kosten drastisch te verlagen.

"De kennis die we opdoen over het materiaalontwerpproces als geheel met behulp van ons raamwerk, is veel groter dan de som van alle informatie die is geëxtraheerd uit individuele modellen of experimentele technieken, " zei Dr. Ankit Srivastava, assistent-professor voor de afdeling materiaalkunde en engineering. "Het raamwerk stelt onderzoekers in staat om efficiënt te leren terwijl ze bezig zijn, omdat het niet alleen informatie van meerdere modellen/experimenten verzamelt en samenvoegt, maar hen ook vertelt welke informatiebron, d.w.z. een bepaald model of experiment biedt hen de beste waarde voor hun geld of tijd, wat het besluitvormingsproces echt verbetert."

In de toekomst, ze hopen dat hun raamwerk veel wordt gebruikt bij het uitvoeren van taken waarbij geïntegreerd ontwerp van computationeel materiaal betrokken is.

"Onze hoop is dat door de presentatie van deze op modelfusie gebaseerde Bayesiaanse optimalisatiemogelijkheden, we zullen het zoekproces naar nieuwe materialen efficiënter en nauwkeuriger maken, " zei Allaire. "We willen dat elke onderzoeker de modellen gebruikt die ze tot hun beschikking hebben zonder zich zoveel zorgen te maken over hoe de modellen in hun eigen modelleringsketen kunnen worden geïntegreerd, omdat ons Bayesiaanse optimalisatieraamwerk die integratie voor hen afhandelt."