Processen att tillverka material är komplicerad, tidskrävande och kostsamt. För mycket av ett material, eller för lite, kan skapa problem med produkten, tvingar designprocessen att börja om. Framsteg i designprocessen behövs för att minska kostnaden och tiden det tar att producera material med riktade egenskaper.

Finansierat av National Science Foundation (NSF), forskare vid Texas A&M University använder avancerade beräknings- och maskininlärningstekniker för att skapa ett ramverk som kan optimera processen att utveckla material, minska tid och kostnader.

"Vårt allmänna fokus är att arbeta med materialdesign genom att överväga process-struktur-egenskapsrelationer för att producera material med riktade egenskaper, " sa Dr Douglas Allaire, docent vid J. Mike Walker '66 Department of Mechanical Engineering. "I vårt arbete, vi visar en mikrostrukturkänslig design av legeringar med ett Bayesianskt optimeringsramverk som kan utnyttja flera informationskällor."

Bayesianska optimeringsbaserade ramverk använder förkunskaper som modeller för att förutsäga utfall. Förr, forskare har använt detta ramverk i samband med en enda informationskälla (simulering eller experiment). Om den metoden misslyckades, processen börjar igen med hopp om att göra rätt justeringar baserat på denna modell.

Forskarna har förkastat denna uppfattning och tror istället att många informationskällor kan dras med hjälp av ett Bayesian ramverk för att utveckla en mer komplett bild av underliggande processer. De har kombinerat flera informationskällor för att skapa material med riktade egenskaper mer effektivt genom att titta på data i sin helhet snarare än dess delar.

"Vad vi tycker, det är väldigt olika, är att du kan ha många olika potentiella modeller eller informationskällor, " sa Dr Raymundo Arróyave, professor vid institutionen för materialvetenskap och teknik. "Det finns många sätt att förstå/modellera beteendet hos material, antingen genom experiment eller simuleringar. Vår idé är att kombinera alla dessa olika modeller till en enda, "sammansmält" modell som kombinerar styrkorna hos alla andra modeller samtidigt som de minskar deras individuella svagheter."

Deras forskning, med titeln "Effektivt utnyttja process-struktur-egenskapsrelationer i materialdesign genom fusion av flera informationskällor, " publicerades nyligen i Vol. 26 av Acta Materialia tidning.

"Dessa modellkedjor har historiskt sett inte beaktat bredden av tillgängliga informationskällor, ", sa Allaire. "De överväger enskilda modeller längs kedjan från process, genom struktur, till egendom. Som ett resultat, de är inte så effektiva eller exakta som de skulle kunna vara."

Forskarna testar för närvarande detta ramverk genom att utveckla tvåfasstål som vanligtvis används på bilramar. Tvåfasstål är gjorda av två faser med mycket olika och kompletterande egenskaper.

"Det finns två faser; martensitfasen gör just detta stål mycket starkt, ", sa Arróyave. "Den ferritiska fasen är mjukare och gör stålet mer följsamt och mottagligt för deformation. Med endast martensitiska mikrostrukturer, dessa material är starka, men de går lätt sönder. Dock, om du kombinerar styrkan hos martensit med duktiliteten hos ferrit, du kan göra stål som är mycket starka, kan absorbera energi under stöten och som kan tillverkas till komplexa former som bilramar."

Med hjälp av den metod som utvecklats i detta arbete, Målet är att utveckla ett ramverk som mer exakt och effektivt förutsäger nödvändig sammansättning och bearbetning (recept) för en specifik design. I tur och ordning, detta minskar antalet simuleringar och experiment som krävs, drastiskt minska kostnaderna.

"Kunskapen som vi får om materialdesignprocessen som helhet med hjälp av vårt ramverk är mycket större än summan av all information som extraheras från individuella modeller eller experimentella tekniker, " sa Dr. Ankit Srivastava, biträdande professor för materialvetenskap och ingenjörsavdelningen. "Ramverket tillåter forskare att effektivt lära sig när de går, eftersom det inte bara samlar in och sammansmälter information från flera modeller/experiment utan det talar också om för dem vilken informationskälla, dvs. en viss modell eller experiment ger dem det bästa värdet för sina pengar eller tid, vilket verkligen förbättrar beslutsprocessen."

I framtiden, de hoppas att deras ramverk används i stor utsträckning när de försöker göra uppgifter som involverar integrerad beräkningsmaterialdesign.

"Vår förhoppning är att genom att presentera dessa modellfusionsbaserade Bayesianska optimeringsmöjligheter, vi kommer att göra sökningsprocessen efter nya material mer effektiv och exakt, ", sa Allaire. "Vi vill att alla forskare ska använda modellerna som de har tillgängliga för dem utan att oroa sig lika mycket för hur de ska integrera modellerna i sin egen modelleringskedja eftersom vårt Bayesianska optimeringsramverk hanterar den integrationen åt dem."