De toekomst van schone energie is hot. De temperaturen bereikten 800 graden Celsius in delen van zonne-energiecentrales en geavanceerde kernreactoren. Het is moeilijk om materialen te vinden die tegen dat soort hitte kunnen. Dus experts kijken naar Mark Messner voor antwoorden.

Een hoofdwerktuigbouwkundig ingenieur bij het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), Messner behoort tot een groep ingenieurs die betere manieren ontdekken om te voorspellen hoe materialen zich zullen gedragen onder hoge temperaturen en drukken. De huidige voorspellingsmethoden werken goed, maar ze kosten tijd en vereisen vaak supercomputers, vooral als je al een aantal specifieke materiaaleigenschappen hebt, bijv. stijfheid, dichtheid of sterkte - en willen weten welk type structuur een materiaal nodig heeft om aan die eigenschappen te voldoen.

"Je zou normaal gesproken tonnen op fysica gebaseerde simulaties moeten uitvoeren om dat probleem op te lossen, ’ zei Mesner.

Op zoek naar een snelkoppeling, hij ontdekte dat neurale netwerken, een soort kunstmatige intelligentie (AI) die patronen blootlegt in enorme datasets, kan nauwkeurig voorspellen wat er met een materiaal gebeurt in extreme omstandigheden. En dat kunnen ze veel sneller en gemakkelijker dan standaardsimulaties.

De nieuwe methode van Messner vond de eigenschappen van een materiaal meer dan 2, 000 keer sneller dan de standaardbenadering, zoals gerapporteerd in een oktober 2019 Tijdschrift voor mechanisch ontwerp artikel. Veel van de berekeningen, Messner besefte, zou kunnen draaien op een gewone laptop met een grafische verwerkingseenheid (GPU) - in plaats van een supercomputer, die voor de meeste bedrijven vaak niet toegankelijk zijn.

Dit was de eerste keer dat iemand een zogenaamd convolutioneel neuraal netwerk had gebruikt - een type neuraal netwerk met een ander, eenvoudigere structuur die ideaal is voor het herkennen van patronen in foto's - om de structurele eigenschappen van een materiaal nauwkeurig te herkennen. Het is ook een van de eerste stappen in het versnellen van de manier waarop onderzoekers materialen ontwerpen en karakteriseren, die ons zou kunnen helpen op weg naar een volledig schone energie-economie.

Katten op internet spelen een rol

Messner begon met het ontwerpen van materialen als postdoctoraal onderzoeker bij het Lawrence Livermore National Laboratory van DOE, waar een team structuren probeerde te maken op een 3D-printer op een schaal van microns, of miljoensten van een meter. Terwijl het scherp is, het onderzoek verliep traag. Kan AI de resultaten versnellen?

Destijds, technologiereuzen in Silicon Valley waren begonnen met het gebruik van convolutionele neurale netwerken om gezichten en dieren in afbeeldingen te herkennen. Dit inspireerde Messner.

"Mijn idee was dat de structuur van een materiaal niet anders is dan een 3D-beeld, "zei hij. "Het is logisch dat de 3D-versie van dit neurale netwerk de eigenschappen van de structuur goed zal herkennen - net zoals een neuraal netwerk leert dat een afbeelding een kat of iets anders is."

Om zijn theorie te testen, Messner deed vier stappen. Hij:

• ontwierp een gedefinieerd vierkant met bakstenen-achtige pixels;
• nam willekeurige monsters van dat ontwerp en gebruikte een op fysica gebaseerde simulatie om 2 miljoen datapunten te creëren. Die punten koppelden zijn ontwerp aan de gewenste eigenschappen van dichtheid en stijfheid;
• voerde de 2 miljoen datapunten in het convolutionele neurale netwerk. Dit heeft het netwerk getraind om te zoeken naar de juiste resultaten;
• een genetisch algoritme gebruikt, een ander type AI dat is ontworpen om de resultaten te optimaliseren, samen met het getrainde convolutionele neurale netwerk, om een ​​algehele structuur te vinden die zou passen bij de eigenschappen die hij wilde.

Het resultaat? De nieuwe AI-methode vond de juiste structuur 2, 760 keer sneller dan het standaard op fysica gebaseerde model (0,00075 seconden versus 0,207 seconden, respectievelijk).

Nieuwe tools stimuleren nucleaire innovatie

Dit abstracte idee zou de manier kunnen veranderen waarop ingenieurs materialen ontwerpen, vooral die bedoeld zijn om bestand te zijn tegen omstandigheden met hoge temperaturen, druk en corrosie.

Messner is onlangs lid geworden van een team van ingenieurs van Argonne en DOE's Idaho en Los Alamos National Laboratories dat samenwerkt met Kairos Power, een nucleaire startup. Het team maakt op AI gebaseerde simulatietools die Kairos zullen helpen bij het ontwerpen van een gesmolten zout kernreactor, die, in tegenstelling tot de huidige reactoren, gebruikt gesmolten zout als koelvloeistof. Met die hulpmiddelen zal het team projecteren hoe een specifiek type roestvrij staal, genaamd 316H, zich decennialang onder extreme omstandigheden zullen gedragen.

"Dit is een kleine maar van vitaal belang, onderdeel van het werk dat we doen voor Kairos Power, " zei Rui Hu, een nucleair ingenieur die de rol van Argonne in het project beheert. "Kairos Power wil zeer nauwkeurige modellen van hoe reactorcomponenten zich in de reactor gaan gedragen ter ondersteuning van de vergunningaanvraag bij de Nuclear Regulatory Commission. We kijken ernaar uit om die modellen te leveren."

Een andere veelbelovende mogelijkheid voor dit soort werk is 3D-printen. Voordat 3D-printen populair werd, ingenieurs worstelden om daadwerkelijk structuren te bouwen zoals die Messner vond met behulp van AI in zijn paper van 2019. Maar laag voor laag een structuur maken met een 3D-printer zorgt voor meer flexibiliteit dan traditionele productiemethoden.

De toekomst van werktuigbouwkunde ligt misschien in het combineren van 3D-printen met nieuwe op AI gebaseerde technieken, zei Mesner. "Je zou de structuur - bepaald door een neuraal netwerk - aan iemand met een 3D-printer geven en ze zouden het afdrukken met de eigenschappen die je wilt, "zei hij. "We zijn er nog niet helemaal, maar dat is de hoop."