Pesquisadores do Departamento de Ciência e Engenharia de Materiais da Texas A&M University usaram uma estrutura de Seleção de Materiais de Inteligência Artificial (AIMS) para descobrir uma nova liga de memória de forma. A liga com memória de forma mostrou a maior eficiência durante a operação alcançada até agora para materiais à base de níquel-titânio. Além disso, sua estrutura orientada a dados oferece prova de conceito para o desenvolvimento de materiais futuros.
Este estudo foi publicado recentemente na Acta Materialia Diário.

As ligas com memória de forma são utilizadas em vários campos onde são necessárias atuações compactas, leves e de estado sólido, substituindo atuadores hidráulicos ou pneumáticos porque podem deformar quando frios e depois retornar à sua forma original quando aquecidos. Essa propriedade exclusiva é fundamental para aplicações, como asas de avião, motores a jato e componentes automotivos, que devem suportar mudanças repetidas e de grande formato recuperáveis.

Houve muitos avanços nas ligas com memória de forma desde o seu início em meados da década de 1960, mas a um custo. Compreender e descobrir novas ligas com memória de forma exigiu uma extensa pesquisa por meio de experimentação e tentativa e erro ad-hoc. Apesar de muitos que foram documentados para ajudar ainda mais as aplicações de ligas com memória de forma, novas descobertas de ligas ocorreram em uma década. A cada 10 anos, uma composição ou sistema significativo de liga com memória de forma é descoberto. Além disso, mesmo com os avanços nas ligas com memória de forma, elas são prejudicadas por sua baixa eficiência energética, causada por incompatibilidades em sua microestrutura durante a grande mudança de forma. Além disso, eles são notoriamente difíceis de projetar do zero.

Para resolver essas deficiências, os pesquisadores da Texas A&M combinaram dados experimentais para criar uma estrutura computacional AIMS capaz de determinar composições ideais de materiais e processar esses materiais, o que levou à descoberta de uma nova composição de liga com memória de forma.

"Ao projetar materiais, às vezes você tem vários objetivos ou restrições que entram em conflito, o que é muito difícil de contornar", disse o Dr. Ibrahim Karaman, professor da Chevron I e chefe do departamento de engenharia e ciência de materiais. “Usando nossa estrutura de aprendizado de máquina, podemos usar dados experimentais para encontrar correlações ocultas entre os recursos de diferentes materiais para ver se podemos projetar novos materiais”.

A liga de memória de forma encontrada durante o estudo usando o AIMS foi prevista e comprovada para atingir a histerese mais estreita já registrada. Em outras palavras, o material apresentou a menor perda de energia ao converter energia térmica em trabalho mecânico. O material apresentou alta eficiência quando submetido a ciclagem térmica devido à sua janela de temperatura de transformação extremamente pequena. O material também exibiu excelente estabilidade cíclica sob atuação repetida.

Uma composição de níquel-titânio-cobre é típica para ligas com memória de forma. As ligas de níquel-titânio-cobre normalmente têm titânio igual a 50% e formam um material monofásico. Usando aprendizado de máquina, os pesquisadores previram uma composição diferente com titânio igual a 47% e cobre igual a 21%. Embora essa composição esteja na região de duas fases e forme partículas, elas ajudam a melhorar as propriedades do material, explicou William Trehern, estudante de doutorado e assistente de pesquisa de pós-graduação no departamento de ciência e engenharia de materiais e primeiro autor da publicação.

Em particular, essa liga de memória de forma de alta eficiência se presta à coleta de energia térmica, que requer materiais que possam capturar a energia residual produzida por máquinas e colocá-la em uso, e armazenamento de energia térmica, usado para resfriar dispositivos eletrônicos.

Mais notavelmente, a estrutura AIMS oferece a oportunidade de usar técnicas de aprendizado de máquina na ciência dos materiais. Os pesquisadores veem potencial para descobrir mais químicas de ligas com memória de forma com características desejadas para várias outras aplicações.

“É uma revelação usar o aprendizado de máquina para encontrar conexões que nosso cérebro ou princípios físicos conhecidos podem não ser capazes de explicar”, disse Karaman. "Podemos usar ciência de dados e aprendizado de máquina para acelerar a taxa de descoberta de materiais. Também acredito que podemos descobrir novas físicas ou mecanismos por trás do comportamento dos materiais que não conhecíamos antes se prestarmos atenção às conexões que o aprendizado de máquina pode encontrar. "

Outros colaboradores incluem o Dr. Raymundo Arróyave e o Dr. Kadri Can Atli, professores do departamento de ciência e engenharia de materiais, e o estudante de graduação em ciência e engenharia de materiais Risheil Ortiz-Ayala.

“Embora o aprendizado de máquina seja agora amplamente utilizado na ciência dos materiais, a maioria das abordagens até hoje se concentra em prever as propriedades de um material sem necessariamente explicar como processá-lo para atingir as propriedades desejadas”, disse Arróyave. "Aqui, a estrutura analisou não apenas a composição química dos materiais candidatos, mas também o processamento necessário para atingir as propriedades de interesse". + Explorar mais

Uma liga que retém sua memória em altas temperaturas