Forskare från Institutionen för materialvetenskap och teknik vid Texas A&M University har använt ett ramverk för urval av artificiell intelligens (AIMS) för att upptäcka en ny formminneslegering. Formminneslegeringen visade den högsta effektiviteten under drift som hittills uppnåtts för nickel-titanbaserade material. Dessutom erbjuder deras datadrivna ramverk proof of concept för framtida materialutveckling.

Denna studie publicerades nyligen i Acta Materialia tidning.

Formminneslegeringar används inom olika områden där kompakta, lätta och solid-state manöverdon behövs, som ersätter hydrauliska eller pneumatiska ställdon eftersom de kan deformeras när de är kalla och sedan återgå till sin ursprungliga form när de värms upp. Denna unika egenskap är avgörande för applikationer, såsom flygplansvingar, jetmotorer och fordonskomponenter, som måste motstå upprepade, återhämtningsbara förändringar i stora former.

Det har gjorts många framsteg inom formminneslegeringar sedan deras början i mitten av 1960-talet, men till en kostnad. Att förstå och upptäcka nya formminneslegeringar har krävt omfattande forskning genom experiment och ad-hoc trial and error. Trots många som har dokumenterats för att ytterligare forma tillämpningar av minneslegeringar, har nya legeringsupptäckter inträffat på ett decadal sätt. Ungefär vart tionde år har en betydande formminneslegeringssammansättning eller system upptäckts. Dessutom, även med framsteg inom formminneslegeringar, hindras de av sin låga energieffektivitet, orsakad av inkompatibiliteter i deras mikrostruktur under den stora formförändringen. Dessutom är de notoriskt svåra att designa från grunden.

För att komma till rätta med dessa brister har Texas A&M-forskare kombinerat experimentella data för att skapa ett AIMS beräkningsramverk som kan bestämma optimala materialsammansättningar och bearbeta dessa material, vilket ledde till upptäckten av en ny formminneslegeringskomposition.

"När man designar material har man ibland flera mål eller begränsningar som är i konflikt, vilket är mycket svårt att komma runt", säger Dr. Ibrahim Karaman, Chevron Professor I och avdelningschef för materialvetenskap och ingenjörsteknik. "Med vårt ramverk för maskininlärning kan vi använda experimentella data för att hitta dolda samband mellan olika materialegenskaper för att se om vi kan designa nya material."

Formminneslegeringen som hittades under studien med AIMS förutspåddes och visade sig uppnå den smalaste hysteres som någonsin registrerats. Materialet visade med andra ord den lägsta energiförlusten vid omvandling av termisk energi till mekaniskt arbete. Materialet visade hög effektivitet när det utsätts för termisk cykling på grund av dess extremt lilla omvandlingstemperaturfönster. Materialet uppvisade också utmärkt cyklisk stabilitet under upprepad aktivering.

En nickel-titan-koppar-komposition är typisk för formminneslegeringar. Nickel-titan-kopparlegeringar har typiskt titan lika med 50% och bildar ett enfasmaterial. Med hjälp av maskininlärning förutspådde forskarna en annan sammansättning med titan lika med 47% och koppar lika med 21%. Även om den här kompositionen är i tvåfasregionen och bildar partiklar, hjälper de till att förbättra materialets egenskaper, förklarade William Trehern, doktorand och forskarassistent vid materialvetenskap och ingenjörsavdelningen, och publikationens första författare.

I synnerhet lämpar sig denna högeffektiva formminneslegering till värmeenergiskörd, vilket kräver material som kan fånga upp avfallsenergi som produceras av maskiner och använda den, och värmeenergilagring, som används för att kyla elektroniska enheter.

Mer anmärkningsvärt erbjuder AIMS-ramverket möjligheten att använda maskininlärningstekniker inom materialvetenskap. Forskarna ser potential att upptäcka fler formminneslegeringar med önskade egenskaper för olika andra tillämpningar.

"Det är en uppenbarelse att använda maskininlärning för att hitta samband som vår hjärna eller kända fysiska principer kanske inte kan förklara", sa Karaman. "Vi kan använda datavetenskap och maskininlärning för att accelerera materialupptäcktshastigheten. Jag tror också att vi potentiellt kan upptäcka ny fysik eller mekanismer bakom materialbeteende som vi inte kände till tidigare om vi uppmärksammar de samband som maskininlärning kan hitta. "

Andra bidragsgivare inkluderar Dr. Raymundo Arróyave och Dr. Kadri Can Atli, professorer vid materialvetenskap och ingenjörsavdelningen, och materialvetenskap och ingenjörsstudent Risheil Ortiz-Ayala.

"Medan maskininlärning nu används i stor utsträckning inom materialvetenskap, fokuserar de flesta tillvägagångssätt hittills på att förutsäga egenskaperna hos ett material utan att nödvändigtvis förklara hur man bearbetar det för att uppnå målegenskaper", säger Arróyave. "Här tittade ramverket inte bara på den kemiska sammansättningen av kandidatmaterial, utan också den bearbetning som krävs för att uppnå egenskaperna av intresse." + Utforska vidare

En legering som behåller sitt minne vid höga temperaturer