É difícil prever as propriedades de um vidro a partir de sua composição porque os vidros são estruturas desordenadas, como visto nesta simulação em nível de átomo. Um novo modelo de aprendizado de máquina pode prever a densidade e a rigidez dos vidros. Essas informações podem ser usadas para projetar fibras de reforço melhores para materiais compostos fortes e leves em automóveis e turbinas eólicas. Crédito:Qi Group, Universidade de Michigan
Um novo algoritmo de aprendizado de máquina para explorar leveza, composições de vidro muito rígidas podem ajudar a projetar materiais de última geração para veículos e turbinas eólicas mais eficientes. Os vidros podem reforçar os polímeros para gerar materiais compostos que fornecem resistências semelhantes às dos metais, mas com menos peso.
Liang Qi, professor de ciência de materiais e engenharia da U-M, respondeu a perguntas sobre o novo artigo de seu grupo em npj materiais computacionais .
O que é rigidez elástica? Elástico e vidro não parecem ser duas palavras que combinam.
Todos os materiais sólidos, incluindo vidro, têm uma propriedade chamada rigidez elástica - também conhecida como módulo de elasticidade. É uma medida de quanta força por unidade de área é necessária para fazer o material dobrar ou esticar. Se essa mudança for elástica, o material pode recuperar totalmente sua forma e tamanho originais, uma vez que você interrompa a força.
Por que queremos vidros leves e muito rígidos?
A rigidez elástica é crítica para qualquer material em aplicações estruturais. Maior rigidez significa que você pode sustentar a mesma carga de força com um material mais fino. Por exemplo, o vidro estrutural nos pára-brisas do carro, e em telas sensíveis ao toque em smartphones e outras telas, pode ser feito mais fino e mais leve se os vidros forem mais rígidos. Compósitos de fibra de vidro são materiais leves amplamente usados para carros, caminhões e turbinas eólicas, e podemos tornar essas peças ainda mais leves.
Veículos mais leves podem ir mais longe com um galão de gasolina - seis a oito por cento mais para uma redução de dez por cento no peso, de acordo com o Escritório de Eficiência Energética e Energia Renovável dos EUA. A redução de peso também pode aumentar significativamente o alcance dos veículos elétricos.
Mais leve, um vidro mais rígido pode permitir que as pás da turbina eólica transfiram a energia eólica em eletricidade de forma mais eficiente, porque menos energia eólica é "desperdiçada" para fazer as pás girarem. Também pode permitir lâminas de turbina eólica mais longas, que pode gerar mais eletricidade com a mesma velocidade do vento.
Quais são os desafios ao tentar projetar óculos leves, mas resistentes?
Como os vidros são materiais amorfos - ou desordenados, é difícil prever suas estruturas atomísticas e as propriedades físicas / químicas correspondentes. Usamos simulações de computador para acelerar o estudo de óculos, mas exigem tanto tempo de computação que é impossível investigar cada composição possível do vidro.
O outro problema é que não temos dados suficientes sobre composições de vidro para que o aprendizado de máquina seja eficaz na previsão das propriedades do vidro para novas composições de vidro. Algoritmos de aprendizado de máquina são alimentados com dados, e encontram padrões nos dados que lhes permitem fazer previsões. Mas sem o suficiente dos dados de treinamento corretos, suas previsões não são confiáveis - assim como uma pesquisa política conduzida em Ohio não pode prever a eleição em Michigan.
Como você superou essas barreiras?
Primeiro, usamos simulações de computador de alto rendimento existentes para gerar dados sobre as densidades e rigidez elástica de vários vidros. Segundo, desenvolvemos o modelo de aprendizado de máquina que é mais adequado para uma pequena quantidade de dados, porque ainda não tínhamos muitos dados para os padrões de aprendizado de máquina. Nós o projetamos de forma que a principal coisa em que ele preste atenção seja a força da interação entre os átomos. Em essência, usamos a física para dar dicas sobre o que era importante nos dados, e isso melhora a qualidade de suas previsões para novas composições.
O que seu modelo pode fazer?
Enquanto treinávamos nosso modelo de aprendizado de máquina com óculos feitos de dióxido de silício e um ou dois outros aditivos, descobrimos que ele poderia prever com precisão a leveza e a rigidez elástica de vidros mais complexos, com mais de dez componentes diferentes. Ele pode filtrar até 100, 000 composições diferentes de uma vez.
Quais são os próximos passos?
Leveza e rigidez elástica são apenas duas propriedades importantes no design de vidros. Também precisamos saber sua força, dureza, e suas temperaturas de fusão. Ao compartilhar abertamente nossos dados e métodos, esperamos inspirar o desenvolvimento de novos modelos na comunidade de pesquisa do vidro.