Nieuwe ontwikkelingen vragen om nieuwe materialen. Tot voor kort, deze zijn meestal ontwikkeld door vervelende experimenten in het laboratorium. Onderzoekers van het Fraunhofer Institute for Algorithms and Scientific Computing SCAI in Sankt Augustin verkorten dit tijdrovende en kostenintensieve proces nu aanzienlijk met hun "Virtual Material Design"-aanpak en de speciaal ontwikkelde Tremolo-X-software. Door multischaalmodellen te combineren, data-analyse en machine learning, het is mogelijk om veel sneller verbeterde materialen te ontwikkelen. Op de Hannover Messe van 23 t/m 27 april 2018, Fraunhofer demonstreert hoe het virtuele materiaalontwerp van de toekomst eruitziet.

In bijna elke branche is voor nieuwe ontwikkelingen zijn nieuwe materialen nodig. Laten we de auto-industrie nemen:terwijl een auto vroeger uit slechts een handvol materialen bestond, moderne auto's worden uit duizenden verschillende materialen geassembleerd - en de vraag neemt toe. Of het nu gaat om het lichter maken van een auto, een lager brandstofverbruik krijgen of elektrische motorbatterijen ontwikkelen, elke nieuwe ontwikkeling vraagt ​​om het vinden of ontwikkelen van het materiaal dat precies de juiste eigenschappen heeft. De zoektocht naar het juiste materiaal is vaak een raadspel geweest, Hoewel. De kandidaten zijn meestal geselecteerd uit enorme materiaaldatabases en vervolgens getest. Hoewel deze databases inzicht geven in specifieke prestatiekenmerken, ze gaan meestal niet ver genoeg in de diepte om zinvolle uitspraken te kunnen doen over de vraag of een materiaal precies de gewenste eigenschappen heeft. Om daar achter te komen, talrijke laboratoriumtests moeten worden uitgevoerd. De wetenschappers van de Fraunhofer SCAI hebben voor een andere aanpak gekozen. De vereisten voor de stof worden uitgesplitst naar de innerlijke structuur van het materiaal:dat wil zeggen, tot op atomair niveau. Een speciaal ontwikkelde software, Tremolo-X, berekent vervolgens hoe de deeltjes van het materiaal reageren wanneer ze worden blootgesteld aan bepaalde fysieke effecten. Als resultaat, op basis van deze deeltjes kan worden geconcludeerd of een materiaal met de gewenste eigenschappen kan worden ontwikkeld.

Virtuele voorspellende modellen en atomistische simulaties

"Ons doel is om de zoektocht naar het juiste materiaal te verkorten. Dit proces duurt vaak tien tot twintig jaar, wat niet alleen tijdrovend maar ook kostbaar is, ", zegt Dr. Jan Hamaekers van de Fraunhofer SCAI. "Het idee is om virtuele processen te gebruiken om het aantal kandidaten uit te ziften totdat er nog maar een paar over zijn om in het lab getest te worden." eerst moeten de eisen die aan het materiaal worden gesteld worden gedefinieerd. Bijvoorbeeld, hoe snel een materiaal moet afkoelen of welke belastingen het moet weerstaan. Dit wordt op twee verschillende manieren op de computer gesimuleerd met behulp van de Fraunhofer-software:virtuele deeltjes worden gesimuleerd op atomair of zelfs op kwantumniveau. Hoe gedragen ze zich? Hoe gaan de deeltjes met elkaar om? De andere methode maakt gebruik van bestaande data en kennis om voorspellingsmodellen af ​​te leiden die het mogelijk maken om de eigenschappen van een materiaal te voorspellen. “Het doel is om te verbeteren, creëren en verkennen van nieuwe innovatieve materialen en moleculen met effectieve eigenschappen in het virtuele computerlab om hun structuur en ontwerp aan te bevelen voorafgaand aan de daadwerkelijke synthese, " legt Hamaekers uit.

Multischaalmodellering:van het atoom tot de procesketen

De procedure wordt duidelijk tijdens multischaalmodellering, zoals gebruikt in onder andere de chemische industrie. Hier, de chemie van het materiaal wordt eerst beschreven op kwantumniveau. Deze informatie wordt overgebracht naar steeds grovere modellen die moleculen en hun fysische eigenschappen in kaart brengen. "Als we willen voorspellen hoe goed de elektrolyt is of hoe snel de ionen diffunderen in het geval van een lithium-ionbatterij, bijvoorbeeld, we simuleren de deeltjes eerst op kwantumniveau en kijken wat ermee gebeurt. Vervolgens, we brengen die informatie naar een hoger niveau en krijgen inzicht in de dynamiek, of hoe de deeltjes op atomair niveau bewegen. Vanaf hier, we kunnen dan een schaal hoger gaan en kijken hoe de elektrolyt zich gedraagt ​​in de macroscopische wereld. Dit geeft ons nauwkeurig inzicht in alle processen en, indien nodig, we kunnen processen aanpassen of veranderen, " legt Hamaekers uit. Op deze manier niet alleen kunnen nieuwe materialen worden ontwikkeld of geschikte materialen worden gevonden voor specifieke toepassingen. Zelfs processen kunnen worden herzien en verbeterd. Door de processen op atomair of moleculair niveau te simuleren in een virtuele reactor, het is mogelijk om nauwkeurig de punten of parameters te identificeren die kunnen worden geoptimaliseerd.

Op de Hannover Messe 2018, de Fraunhofer SCAI gebruikt levendige voorbeelden om te laten zien hoe het ontwerp van materialen kan worden verbeterd door middel van modellering, data-analyse en machine learning.