O processo de fabricação de materiais é complicado, demorado e caro. Muito de um material, ou muito pouco, pode criar problemas com o produto, forçando o processo de design a começar novamente. Avanços no processo de design são necessários para reduzir o custo e o tempo que leva para produzir materiais com propriedades específicas.

Financiado pela National Science Foundation (NSF), pesquisadores da Texas A&M University estão usando técnicas computacionais avançadas e de aprendizado de máquina para criar uma estrutura capaz de otimizar o processo de desenvolvimento de materiais, cortando tempo e custos.

"Nosso foco geral é trabalhar no design de materiais, considerando as relações processo-estrutura-propriedade para produzir materiais com propriedades desejadas, "disse o Dr. Douglas Allaire, professor associado do Departamento de Engenharia Mecânica J. Mike Walker '66. “No nosso trabalho, demonstramos um projeto sensível à microestrutura de ligas com uma estrutura de otimização bayesiana capaz de explorar múltiplas fontes de informação. "

Frameworks baseados em otimização bayesiana usam conhecimento prévio como modelos para prever resultados. No passado, os pesquisadores usaram essa estrutura em correlação com uma única fonte de informação (simulação ou experimento). Se esse método falhou, o processo começa novamente com a esperança de fazer os ajustes certos com base neste modelo.

Os pesquisadores rejeitaram essa noção e, em vez disso, acreditam que muitas fontes de informação podem ser obtidas usando uma estrutura bayesiana para desenvolver uma imagem mais completa dos processos subjacentes. Eles combinaram várias fontes de informações para criar materiais com propriedades direcionadas de forma mais eficiente, observando os dados em sua totalidade, em vez de suas partes.

"O que nós pensamos, isso é muito diferente, é que você pode ter muitos modelos potenciais ou fontes de informação diferentes, "disse o Dr. Raymundo Arróyave, professor do Departamento de Ciência e Engenharia de Materiais. "Existem muitas maneiras de compreender / modelar o comportamento dos materiais, seja por meio de experimentos ou simulações. Nossa ideia é combinar todos esses modelos diferentes em um único, modelo 'fundido' que combina os pontos fortes de todos os outros modelos enquanto reduz suas fraquezas individuais. "

Sua pesquisa, intitulado "Explorando de forma eficiente as relações de estrutura-propriedade do processo no design de material por fusão de fontes de informações múltiplas, "foi publicado recentemente no Vol. 26 do Acta Materialia Diário.

"Essas cadeias de modelos historicamente não consideram a amplitude das fontes de informação disponíveis, "disse Allaire." Eles consideram modelos únicos ao longo da cadeia de processo, através da estrutura, à propriedade. Como resultado, eles não são tão eficientes ou precisos quanto poderiam ser. "

Os pesquisadores estão atualmente testando essa estrutura desenvolvendo aços de fase dupla normalmente usados ​​em chassis de automóveis. Os aços bifásicos são compostos por duas fases com propriedades muito diferentes e complementares.

"Existem duas fases; a fase de martensita torna este aço em particular muito forte, "disse Arróyave." A fase ferrítica é mais macia e torna o aço mais flexível e passível de deformação. Com apenas microestruturas martensíticas, esses materiais são fortes, mas eles quebram facilmente. Contudo, se você combinar a resistência da martensita com a ductilidade da ferrita, você pode fazer aços que são muito fortes, pode absorver energia durante o impacto e pode ser fabricado em formas complexas, como estruturas de automóveis. "

Usando o método desenvolvido neste trabalho, o objetivo é desenvolver uma estrutura que preveja de forma mais precisa e eficaz a composição e o processamento (receita) necessários para um projeto específico. Por sua vez, isso diminui o número de simulações e experimentos necessários, reduzindo drasticamente os custos.

"O conhecimento que adquirimos sobre o processo de design de material como um todo usando nossa estrutura é muito maior do que a soma de todas as informações extraídas de modelos individuais ou técnicas experimentais, "disse o Dr. Ankit Srivastava, professor assistente do departamento de ciência de materiais e engenharia. "A estrutura permite que os pesquisadores aprendam de forma eficiente à medida que avançam, uma vez que não apenas coleta e funde informações de vários modelos / experimentos, mas também informa qual fonte de informação, ou seja, um modelo ou experimento específico fornece a eles o melhor valor pelo seu dinheiro ou tempo, o que realmente aprimora o processo de tomada de decisão. "

No futuro, eles esperam que sua estrutura seja amplamente utilizada ao tentar tarefas que envolvam o projeto de materiais computacionais integrados.

"Nossa esperança é que, ao apresentar esses recursos de otimização Bayesiana baseada em fusão de modelo, vamos tornar o processo de busca de novos materiais mais eficiente e preciso, ", disse Allaire." Queremos que qualquer pesquisador use os modelos que eles têm disponíveis sem se preocupar tanto sobre como integrar os modelos em sua própria cadeia de modelagem, porque nossa estrutura de otimização Bayesiana lida com essa integração para eles. "