A otimização de compostos avançados para usos finais específicos pode ser cara e demorada, exigindo que os fabricantes testem muitas amostras para chegar à melhor formulação. Investigadores da Escola de Engenharia Tandon da NYU projetaram um sistema de aprendizado de máquina empregando redes neurais artificiais (RNA) capaz de extrapolar a partir de dados derivados de apenas uma amostra, assim, formular rapidamente e fornecer análises em compostos avançados teóricos aprimorados com grafeno.

O trabalho, liderado por Nikhil Gupta, professor associado de engenharia mecânica e aeroespacial na NYU Tandon, com Ph.D. estudante Xianbo Xu e colaboradores da fabricante de materiais de grafeno 2-D GrapheneCa, é detalhado em "Abordagem de rede neural artificial para prever o módulo elástico a partir dos resultados da análise mecânica dinâmica, "que será destaque na contracapa da revista Teoria Avançada e Simulações .

Os testes de tração e a análise mecânica dinâmica (DMA) são amplamente utilizados para caracterizar as propriedades viscoelásticas de materiais em diferentes taxas de carregamento e temperaturas. Mas isso requer uma elaborada campanha experimental envolvendo um grande número de amostras.

A equipe da Tandon encontrou uma maneira de contornar esse processo, projetando uma abordagem baseada em RNA que constrói um modelo e, em seguida, alimenta-o com dados de DMA - um teste de resposta de um material a uma determinada temperatura e frequência de carregamento (uma medida de carga aplicada em ciclos ) - para prever como ele responderá a qualquer outra combinação de temperatura e pressão. Gupta explicou que a RNA extrapolou a partir de medidas da capacidade das amostras de armazenar e dissipar energia em diferentes condições.

"Testar materiais em diferentes condições durante o ciclo de desenvolvimento do produto é um custo importante para os fabricantes que estão tentando criar compostos para inúmeras aplicações, "observou Gupta." Este sistema nos permite conduzir um teste e então prever as propriedades sob outras condições. Portanto, reduz consideravelmente a quantidade de experimentação necessária. "

"Aplicar uma abordagem de rede neural artificial para prever as propriedades dos nanocompósitos pode ajudar no desenvolvimento de uma abordagem em que a modelagem pode guiar o material e o desenvolvimento da aplicação e reduzir o custo ao longo do tempo, "continuou Gupta.

"Trabalhando com os pesquisadores do Departamento de Engenharia Mecânica e Aeroespacial da NYU Tandon, desenvolvemos um novo método para prever o comportamento de nanocompósitos termofixos em uma ampla faixa de temperatura e taxas de carregamento, "disse o Dr. Sergey Voskresensky, Chefe de Pesquisa e Desenvolvimento da unidade de produção da GrapheneCa em Nova York. "Além disso, a mesma abordagem pode ser potencialmente aplicada para prever o comportamento de materiais termoplásticos. Esta é uma etapa crítica em direção à produção avançada de compósitos. "