Onderzoekers van het Department of Materials Science and Engineering aan de Texas A&M University hebben een Artificial Intelligence Materials Selection Framework (AIMS) gebruikt om een ​​nieuwe vormgeheugenlegering te ontdekken. De legering met vormgeheugen vertoonde de hoogste efficiëntie tijdens bedrijf die tot nu toe is bereikt voor materialen op basis van nikkel-titanium. Bovendien biedt hun datagestuurde raamwerk een proof of concept voor toekomstige materiaalontwikkeling.

Deze studie is onlangs gepubliceerd in de Acta Materialia logboek.

Legeringen met vormgeheugen worden gebruikt in verschillende gebieden waar compacte, lichtgewicht en solid-state aandrijvingen nodig zijn, ter vervanging van hydraulische of pneumatische aandrijvingen, omdat ze kunnen vervormen als ze koud zijn en vervolgens terugkeren naar hun oorspronkelijke vorm bij verwarming. Deze unieke eigenschap is van cruciaal belang voor toepassingen, zoals vliegtuigvleugels, straalmotoren en auto-onderdelen, die bestand moeten zijn tegen herhaalde, herstelbare grote vormveranderingen.

Er zijn veel vorderingen gemaakt in legeringen met vormgeheugen sinds het begin in het midden van de jaren zestig, maar tegen een prijs. Het begrijpen en ontdekken van nieuwe legeringen met vormgeheugen vereiste uitgebreid onderzoek door middel van experimenten en ad-hoc vallen en opstaan. Ondanks dat er vele zijn gedocumenteerd om verdere toepassingen van vormgeheugenlegeringen te helpen, hebben nieuwe ontdekkingen van legeringen plaatsgevonden op een decadente manier. Ongeveer elke 10 jaar is er een significante samenstelling of systeem van een vormgeheugenlegering ontdekt. Bovendien worden ze, zelfs met de vooruitgang in legeringen met vormgeheugen, gehinderd door hun lage energie-efficiëntie, veroorzaakt door onverenigbaarheden in hun microstructuur tijdens de grote vormverandering. Verder zijn ze notoir moeilijk om helemaal opnieuw te ontwerpen.

Om deze tekortkomingen aan te pakken, hebben Texas A&M-onderzoekers experimentele gegevens gecombineerd om een ​​AIMS-computerraamwerk te creëren dat in staat is om optimale materiaalsamenstellingen te bepalen en deze materialen te verwerken, wat leidde tot de ontdekking van een nieuwe samenstelling van vormgeheugenlegeringen.

"Bij het ontwerpen van materialen heb je soms meerdere doelen of beperkingen die conflicteren, wat erg moeilijk is om te omzeilen", zegt Dr. Ibrahim Karaman, Chevron Professor I en afdelingshoofd materiaalwetenschap en techniek. "Met behulp van ons machine learning-framework kunnen we experimentele gegevens gebruiken om verborgen correlaties tussen de kenmerken van verschillende materialen te vinden om te zien of we nieuwe materialen kunnen ontwerpen."

De vormgeheugenlegering die tijdens het onderzoek met behulp van AIMS werd gevonden, werd voorspeld en bleek de smalste hysterese ooit te bereiken. Met andere woorden, het materiaal vertoonde het laagste energieverlies bij het omzetten van thermische energie naar mechanisch werk. Het materiaal vertoonde een hoge efficiëntie bij thermische cycli vanwege het extreem kleine transformatietemperatuurvenster. Het materiaal vertoonde ook uitstekende cyclische stabiliteit bij herhaalde bediening.

Een nikkel-titanium-koper samenstelling is typisch voor legeringen met vormgeheugen. Nikkel-titanium-koperlegeringen hebben typisch titanium gelijk aan 50% en vormen een enkelfasig materiaal. Met behulp van machine learning voorspelden de onderzoekers een andere samenstelling met titanium gelijk aan 47% en koper gelijk aan 21%. Hoewel deze samenstelling zich in het tweefasengebied bevindt en deeltjes vormt, helpen ze de eigenschappen van het materiaal te verbeteren, legt William Trehern uit, doctoraalstudent en afgestudeerd onderzoeksassistent op de afdeling materiaalwetenschappen en engineering, en de eerste auteur van de publicatie.

Deze zeer efficiënte legering met vormgeheugen leent zich met name voor het oogsten van thermische energie, waarvoor materialen nodig zijn die afvalenergie kunnen opvangen die door machines wordt geproduceerd en deze in gebruik kunnen nemen, en thermische energieopslag, die wordt gebruikt voor het koelen van elektronische apparaten.

Meer in het bijzonder biedt het AIMS-raamwerk de mogelijkheid om machine learning-technieken in de materiaalkunde te gebruiken. De onderzoekers zien potentieel om meer chemie met vormgeheugenlegeringen te ontdekken met gewenste eigenschappen voor verschillende andere toepassingen.

"Het is een openbaring om machinaal leren te gebruiken om verbindingen te vinden die ons brein of bekende fysieke principes misschien niet kunnen verklaren", zei Karaman. "We kunnen datawetenschap en machinaal leren gebruiken om de snelheid van materiaalontdekking te versnellen. Ik geloof ook dat we mogelijk nieuwe fysica of mechanismen achter materiaalgedrag kunnen ontdekken die we niet eerder kenden als we aandacht besteden aan de verbindingen die machine learning kan vinden. "

Andere bijdragen zijn onder meer Dr. Raymundo Arróyave en Dr. Kadri Can Atli, professoren in de materiaalwetenschappen en engineeringafdeling, en materiaalwetenschap en engineering student Risheil Ortiz-Ayala.

"Hoewel machine learning nu veel wordt gebruikt in de materiaalkunde, zijn de meeste benaderingen tot nu toe gericht op het voorspellen van de eigenschappen van een materiaal zonder noodzakelijkerwijs uit te leggen hoe het moet worden verwerkt om doeleigenschappen te bereiken", zegt Arróyave. "Hier keek het raamwerk niet alleen naar de chemische samenstelling van kandidaatmaterialen, maar ook naar de verwerking die nodig is om de gewenste eigenschappen te bereiken." + Verder verkennen

Een legering die zijn geheugen behoudt bij hoge temperaturen