ΕΠΑΝΑΣΤΑΤΙΚΑ ΝΑΝΟ-ΥΛΙΚΑ ΣΥΝΔΥΑΖΟΥΝ ΤΗΝ ΑΝΤΟΧΗ ΤΟΥ ΧΑΛΥΒΟΥ ΜΕ ΤΗΝ ΕΛΑΦΡΥΤΗΤΑ ΤΟΥ ΑΦΡΟΥ ΜΕ ΧΡΗΣΗ ΜΗΧΑΝΗΣ ΕΚΠΑΙΔΕΥΣΗΣ! Περιμένουμε εδώ και πολλά χρόνια τα νέα υλικά που μόνο με εκτυπωτές 3D μπορούν να κατασκευαστούν για να αλλάξουν τα αεροπλάνα.
Γράφει ο Γεώργιος Δικαίος - 3 Φεβρουαρίου 2025
Ερευνητές στη Σχολή Εφαρμοσμένων Επιστημών και Μηχανικών του Πανεπιστημίου του Τορόντο δημιούργησαν μια καινοτόμο κατηγορία υλικών νανο-αρχιτεκτονικής που είναι τόσο ισχυρά όσο ο ανθρακούχο χάλυβας αλλά και ελαφριά όσο το φελιζόλ. Δημοσιεύτηκε στο Advanced Materials, η έρευνα, με επικεφαλής τον καθηγητή Tobin Filleter, υπογραμμίζει τον τρόπο με τον οποίο χρησιμοποιήθηκε η μηχανική μάθηση για το σχεδιασμό νανοϋλικών με αξιοσημείωτες ιδιότητες — υψηλή αντοχή, χαμηλό βάρος και δυνατότητα προσαρμογής για διάφορες εφαρμογές. Αυτή η ανακάλυψη θα μπορούσε να φέρει επανάσταση σε βιομηχανίες όπως η αυτοκινητοβιομηχανία και η αεροδιαστημική, όπου τα υλικά πρέπει να εξισορροπούν τη δύναμη και την ελαφρότητα.
Εικόνα 1 Πολλαπλών στόχων Bayesian βελτιστοποίηση για παραγωγικό σχεδιασμό νανοδικτυωμάτων άνθρακα με υψηλή ακαμψία σε θλίψη και αντοχή σε χαμηλή πυκνότητα. α) Απεικόνιση της ροής εργασιών της διαδικασίας. β) Οι τέσσερις κορυφαίες γεωμετρίες MBO CFCC με τις 2D καμπύλες Bézier. γ,δ) Εικόνες FESEM CFCC MBO-3 και Standard CFCC ισοδύναμης πυκνότητας.
Eikóna 1 Νανο-αρχιτεκτονικά υλικά, που αποτελούνται από μικροσκοπικές επαναλαμβανόμενες μονάδες μεγέθους μερικών εκατοντάδων νανόμετρων, είναι δομημένα σε πολύπλοκα τρισδιάστατα σχήματα γνωστά ως νανοπλέγματα. Αυτά τα υλικά εκμεταλλεύονται την αρχή «το μικρότερο είναι ισχυρότερο», όπου τα σχέδια νανοκλίμακας επιτυγχάνουν ανώτερες αναλογίες αντοχής προς βάρος και ακαμψίας προς βάρος σε σύγκριση με τα συμβατικά υλικά. Ωστόσο, τα παραδοσιακά σχήματα πλέγματος έχουν συχνά αιχμηρές διασταυρώσεις και γωνίες, δημιουργώντας συγκεντρώσεις τάσεων που οδηγούν σε πρόωρη αστοχία.
Ο Peter Serles, ο πρώτος συγγραφέας της εργασίας, αναγνώρισε αυτή την πρόκληση και συνειδητοποίησε ότι η μηχανική μάθηση θα μπορούσε να προσφέρει μια λύση. «Καθώς σκεφτόμουν αυτήν την πρόκληση, συνειδητοποίησα ότι είναι ένα τέλειο πρόβλημα για την αντιμετώπιση της μηχανικής μάθησης», λέει ο Serles.
Σε συνεργασία με τον καθηγητή Seunghwa Ryu και τον Ph.D. φοιτητής Jinwook Yeo από το Κορεατικό Προηγμένο Ινστιτούτο Επιστήμης & Τεχνολογίας (KAIST), η ομάδα χρησιμοποίησε έναν αλγόριθμο μηχανικής μάθησης αιχμής γνωστό ως βελτιστοποίηση Bayesian πολλαπλών στόχων. Αυτός ο αλγόριθμος εκπαιδεύτηκε σε προσομοιωμένες γεωμετρίες, επιτρέποντάς του να προβλέψει τα καλύτερα σχέδια πλέγματος που θα βελτιστοποιούσαν την κατανομή της τάσης και θα μεγιστοποιούσαν την αναλογία αντοχής προς βάρος.
«Η μηχανική εκμάθηση είναι συνήθως πολύ εντατική σε δεδομένα και είναι δύσκολο να δημιουργηθούν πολλά δεδομένα όταν χρησιμοποιούνται δεδομένα υψηλής ποιότητας από ανάλυση πεπερασμένων στοιχείων», εξηγεί ο Serles. «Αλλά ο πολλαπλών στόχων αλγόριθμος βελτιστοποίησης Bayes χρειαζόταν μόνο 400 σημεία δεδομένων, ενώ άλλοι αλγόριθμοι μπορεί να χρειαστούν 20.000 ή περισσότερα. Αυτό μας επέτρεψε να εργαστούμε με ένα πολύ μικρότερο αλλά εξαιρετικά υψηλής ποιότητας σύνολο δεδομένων.»
Εικόνα 2 Μηχανική και επεκτασιμότητα των νανοδικτυωμάτων άνθρακα παραγωγής MBO. α) Οι συντελεστές Young και β) η αντοχή του CFCC MBO και των τυπικών νανοδικτυωμάτων άνθρακα με διαμέτρους αντηρίδας 600 και 300 nm. γ,δ) Τα διαγράμματα ιδιοτήτων Ashby του συντελεστή και της αντοχής του Young έναντι της πυκνότητας δείχνουν νανοδικτυώματα CFCC και CBCC σε σύγκριση με προηγούμενες εργασίες και φυσικά υλικά. Η πλήρης λίστα αναφοράς βρίσκεται στο Σχήμα S1 και στον Πίνακα S1 (Υποστηρικτικές πληροφορίες). Σημείωση: Κάθε επανάληψη νανοδικτυώματος MBO έχει ισοδύναμες πυκνότητες και για τις διαμέτρους των συστατικών αντηρίδων 300 και 600 nm, αλλά οι αντηρίδες των 300 nm παρουσιάζουν υψηλότερη μηχανική απόδοση, όπως φαίνεται από μια κατακόρυφη μετατόπιση στο διάγραμμα Ashby. ε) Νανοπλέγμα άνθρακα που αποτελείται από 18,75 εκατομμύρια δικτυωτά στοιχεία (νικέλιο για κλίμακα). στ) Εικόνα FESEM της γεωμετρίας του νανοδικτυώματος μετά την πυρόλυση. ζ) Μακροσκοπικό νανοπλέγμα που στηρίζεται σε μια φυσαλίδα και η) υποστηρίζει περισσότερο από ένα εκατομμύριο φορές το βάρος του, επιδεικνύοντας ελαφριά και υψηλής αντοχής επεκτασιμότητα.
Μόλις εντοπίστηκαν τα βέλτιστα σχέδια πλέγματος, ο Serles και η ομάδα του χρησιμοποίησαν έναν τρισδιάστατο εκτυπωτή πολυμερισμού δύο φωτονίων στο Κέντρο Έρευνας και Εφαρμογής στις Ρευστικές Τεχνολογίες (CRAFT) του Πανεπιστημίου του Τορόντο για να δημιουργήσουν τα πρωτότυπα. Αυτή η προηγμένη τεχνολογία κατασκευής προσθέτων επιτρέπει την τρισδιάστατη εκτύπωση σε μικροκλίμακα και νανοκλίμακα, επιτρέποντας τη δημιουργία εξαιρετικά βελτιστοποιημένων νανοδικτυωμάτων άνθρακα.
Τα αποτελέσματα ήταν πρωτοποριακά. Τα νέα νανοδικτυώματα υπερδιπλασίασαν την αντοχή των υπαρχόντων σχεδίων, αντέχοντας μια τάση 2,03 megapascals για κάθε κυβικό μέτρο ανά κιλό της πυκνότητάς του—περίπου πέντε φορές μεγαλύτερη από την αντοχή του τιτανίου. Αυτό το επίπεδο αντοχής, σε συνδυασμό με την ελαφριά φύση του, καθιστά το υλικό ιδανικό για εφαρμογές όπου τόσο η ανθεκτικότητα όσο και το χαμηλό βάρος είναι ζωτικής σημασίας.
Εικόνα 3 Μηχανισμοί βελτιστοποίησης πολλαπλών στόχων Bayesian για μηχανική βελτίωση. α) Οικόπεδο βελτιστοποίησης πολλαπλών στόχων του και εμφανίζει τα δεδομένα εκπαίδευσης και τα επαναλαμβανόμενα δεδομένα MBO. β) Κατανομή πυκνότητας των δεδομένων εκπαίδευσης και MBO σε σχέση με τη μέτρηση αξιολόγησης. γ) Τυπική απόδοση CFCC, Training Data Best και MBO Rank 1 με βάση τη μέτρηση αξιολόγησης. δ,ε) Διαγράμματα κατανομής κύριας τάσης FEA για γεωμετρίες CFCC Standard και CFCC MBO-3 ισοδύναμης πυκνότητας. στ,ζ) In situ μονοαξονική συμπίεση δικτυωμάτων CFCC MBO-3 και CFCC STD-3, αντίστοιχα.
«Είναι η πρώτη φορά που εφαρμόζεται η μηχανική μάθηση για τη βελτιστοποίηση νανο-αρχιτεκτονικών υλικών και ήμασταν σοκαρισμένοι από τις βελτιώσεις», λέει ο Serles. «Δεν αναπαρήγαγε απλώς επιτυχημένες γεωμετρίες από τα δεδομένα εκπαίδευσης. έμαθε ποιες αλλαγές στα σχήματα λειτουργούσαν και τι όχι, επιτρέποντάς του να προβλέψει εντελώς νέες γεωμετρίες πλέγματος».
Η ομάδα οραματίζεται ένα ευρύ φάσμα εφαρμογών για αυτά τα υλικά, ιδιαίτερα στην αεροδιαστημική. «Ελπίζουμε ότι αυτά τα νέα σχέδια υλικών θα οδηγήσουν σε εξαιρετικά ελαφριά εξαρτήματα σε αεροδιαστημικές εφαρμογές, όπως αεροπλάνα, ελικόπτερα και διαστημόπλοια», λέει ο Filleter. «Αυτό θα μπορούσε να μειώσει τις απαιτήσεις καυσίμου κατά τη διάρκεια της πτήσης διατηρώντας παράλληλα την ασφάλεια και τις επιδόσεις, συμβάλλοντας τελικά στη μείωση του υψηλού αποτυπώματος άνθρακα της πτήσης».
Για παράδειγμα, η αντικατάσταση εξαρτημάτων τιτανίου με αυτό το νέο υλικό σε ένα αεροπλάνο θα μπορούσε να εξοικονομήσει έως και 80 λίτρα καυσίμου ετησίως για κάθε κιλό υλικού που αντικαθίσταται.
Αυτή η εργασία συγκέντρωσε ειδικούς στην επιστήμη των υλικών, τη μηχανική μάθηση, τη χημεία και τη μηχανική και περιλάμβανε συνεισφορές από τους καθηγητές Yu Zou, Chandra Veer Singh, Jane Howe και Charles Jia στο Πανεπιστήμιο του Τορόντο, καθώς και διεθνείς συνεργάτες από το Ινστιτούτο της Καρλσρούης Τεχνολογίας (KIT) στη Γερμανία, MIT και Rice University στις Ηνωμένες Πολιτείες.
«Προσπαθούμε να κλιμακώσουμε αυτά τα σχέδια υλικών για να δημιουργήσουμε οικονομικά εξαρτήματα μακροκλίμακας», σημειώνει ο Filleter. «Επιπλέον, θα συνεχίσουμε να εξερευνούμε νέα σχέδια που ωθούν τις αρχιτεκτονικές υλικών σε ακόμη χαμηλότερη πυκνότητα, διατηρώντας παράλληλα υψηλή αντοχή και ακαμψία».
Με περαιτέρω ανάπτυξη, αυτά τα υλικά νανο-αρχιτεκτονικής βελτιστοποιημένης μηχανικής μάθησης θα μπορούσαν να μεταμορφώσουν βιομηχανίες που βασίζονται σε ελαφριά αλλά ισχυρά υλικά, προσφέροντας μια πιο βιώσιμη και αποτελεσματική πορεία προς τα εμπρός σε τομείς όπως η αεροδιαστημική, η αυτοκινητοβιομηχανία και όχι μόνο.
Την μελέτη μπορείτε να την διαβάσετε εδώ αν και είναι η παρουσίαση της και όχι ολόκληρη η μελέτη:
Αναμένουμε τα σχόλιά σας στο Twitter!