p O futuro da energia limpa é quente. As temperaturas atingiram 800 graus Celsius em partes de usinas de energia solar e reatores nucleares avançados. Encontrar materiais que possam suportar esse tipo de calor é difícil. Portanto, os especialistas procuram as respostas de Mark Messner. p Engenheiro mecânico principal do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), Messner está entre um grupo de engenheiros que está descobrindo melhores maneiras de prever como os materiais se comportarão sob altas temperaturas e pressões. Os métodos de previsão atuais funcionam bem, mas levam tempo e muitas vezes requerem supercomputadores, especialmente se você já tem um conjunto de propriedades específicas do material, por exemplo, rigidez, densidade ou resistência - e deseja descobrir que tipo de estrutura um material precisaria para corresponder a essas propriedades.

p "Normalmente, você teria que executar toneladas de simulações baseadas na física para resolver esse problema, "disse Messner.

p Procurando um atalho, ele descobriu que as redes neurais, um tipo de inteligência artificial (IA) que descobre padrões em enormes conjuntos de dados, pode prever com precisão o que acontece com um material em condições extremas. E eles podem fazer isso com muito mais rapidez e facilidade do que as simulações padrão.

p O novo método de Messner encontrou as propriedades de um material mais de 2, 000 vezes mais rápido do que a abordagem padrão, conforme relatado em outubro de 2019 Journal of Mechanical Design artigo. Muitos dos cálculos, Messner percebeu, poderia ser executado em um laptop normal com uma unidade de processamento gráfico (GPU) - em vez de um supercomputador, que geralmente são inacessíveis para a maioria das empresas.

p Esta foi a primeira vez que alguém usou a chamada rede neural convolucional - um tipo de rede neural com um estrutura mais simples que é ideal para reconhecer padrões em fotos - para reconhecer com precisão as propriedades estruturais de um material. É também uma das primeiras etapas para acelerar como os pesquisadores projetam e caracterizam os materiais, o que poderia nos ajudar a avançar em direção a uma economia de energia totalmente limpa.

p Os gatos na Internet desempenham um papel

p Messner começou a projetar materiais como pesquisador de pós-doutorado no Lawrence Livermore National Laboratory do DOE, onde uma equipe procurou produzir estruturas em uma impressora 3D em uma escala de mícrons, ou milionésimos de um metro. Embora seja de ponta, a pesquisa era lenta. A IA poderia acelerar os resultados?

p No momento, os gigantes da tecnologia no Vale do Silício começaram a usar redes neurais convolucionais para reconhecer rostos e animais em imagens. Isso inspirou Messner.

p "Minha ideia era que a estrutura de um material não é diferente de uma imagem 3D, ", disse ele." Faz sentido que a versão 3D desta rede neural faça um bom trabalho de reconhecimento das propriedades da estrutura - assim como uma rede neural aprende que uma imagem é um gato ou outra coisa. "

p Para testar sua teoria, Messner deu quatro passos. Ele:

• projetou um quadrado definido com tijolos - como pixels;
• pegou amostras aleatórias desse projeto e usou uma simulação baseada na física para criar 2 milhões de pontos de dados. Esses pontos vinculavam seu projeto às propriedades desejadas de densidade e rigidez;
• alimentou os 2 milhões de pontos de dados na rede neural convolucional. Isso treinou a rede para buscar os resultados corretos;
• usou um algoritmo genético, outro tipo de IA projetado para otimizar resultados, junto com a rede neural convolucional treinada, para encontrar uma estrutura geral que correspondesse às propriedades que ele desejava.

p O resultado? O novo método de IA encontrou a estrutura certa 2, 760 vezes mais rápido do que o modelo baseado em física padrão (0,00075 segundos vs. 0,207 segundos, respectivamente).

p Novas ferramentas impulsionam a inovação nuclear

p Esta ideia abstrata pode transformar a forma como os engenheiros projetam materiais - especialmente aqueles destinados a resistir a condições com altas temperaturas, pressões e corrosão.

p Messner recentemente se juntou a uma equipe de engenheiros da Argonne e do DOE Idaho e Los Alamos National Laboratories que está em parceria com a Kairos Power, uma inicialização nuclear. A equipe está criando ferramentas de simulação baseadas em IA que ajudarão Kairos a projetar um reator nuclear de sal fundido, que, ao contrário dos reatores atuais, usará sal fundido como refrigerante. Com essas ferramentas, a equipe projetará como um tipo específico de aço inoxidável, chamado 316H, vai se comportar em condições extremas por décadas.

p "Este é um pequeno, mas vital, parte do trabalho que estamos fazendo para Kairos Power, "disse Rui Hu, um engenheiro nuclear que está gerenciando o papel de Argonne no projeto. “A Kairos Power quer modelos muito precisos de como os componentes do reator irão se comportar dentro de seu reator para apoiar seu pedido de licenciamento para a Comissão Reguladora Nuclear. Estamos ansiosos para fornecer esses modelos”.

p Outro caminho promissor para esse tipo de trabalho é a impressão 3D. Antes que a impressão 3D se popularizasse, os engenheiros lutaram para construir estruturas como a que Messner encontrou usando IA em seu artigo de 2019. No entanto, fazer uma estrutura camada por camada com uma impressora 3D permite mais flexibilidade do que os métodos de fabricação tradicionais.

p O futuro da engenharia mecânica pode estar na combinação de impressão 3D com novas técnicas baseadas em IA, disse Messner. "Você daria a estrutura - determinada por uma rede neural - para alguém com uma impressora 3D e eles iriam imprimi-la com as propriedades que você deseja, "disse ele." Ainda não chegamos lá, mas essa é a esperança. "