Forscher an der Fakultät für Angewandte Wissenschaft und Ingenieurwesen der University of Toronto haben maschinelles Lernen genutzt, um Materialien mit Nanoarchitektur zu entwerfen, die die Festigkeit von Kohlenstoffstahl, aber die Leichtigkeit von Styropor aufweisen.
In einem neuen Artikel veröffentlicht in Fortschrittliche MaterialienEin Team unter der Leitung von Professor Tobin Filleter beschreibt, wie sie Nanomaterialien mit Eigenschaften herstellten, die eine widersprüchliche Kombination aus außergewöhnlicher Festigkeit, geringem Gewicht und Anpassbarkeit bieten. Der Ansatz könnte einer Vielzahl von Branchen zugute kommen, von der Automobilindustrie bis zur Luft- und Raumfahrt.
„Nano-architektonische Materialien kombinieren leistungsstarke Formen, wie die Herstellung einer Brücke aus Dreiecken, in nanoskaligen Größen, die sich den „Kleiner ist stärker“-Effekt zunutze machen, um einige der höchsten Festigkeits-Gewichts- und Steifigkeits-Verhältnisse zu erreichen. Gewichtsverhältnisse aller Materialien“, sagt Peter Serles, der Erstautor der neuen Arbeit.
„Allerdings weisen die verwendeten Standardgitterformen und -geometrien tendenziell scharfe Schnittpunkte und Ecken auf, was zu Spannungskonzentrationen führt. Dies führt zu einem frühen lokalen Versagen und Bruch der Materialien, was ihr Gesamtpotenzial einschränkt.“
„Als ich über diese Herausforderung nachdachte, wurde mir klar, dass es sich um ein perfektes Problem für maschinelles Lernen handelt.“
Nanoarchitektonische Materialien bestehen aus winzigen Bausteinen oder sich wiederholenden Einheiten mit einer Größe von einigen hundert Nanometern – um die Dicke eines menschlichen Haares zu erreichen, müssten mehr als 100 davon hintereinander angeordnet sein. Diese Bausteine, die in diesem Fall aus Kohlenstoff bestehen, sind in komplexen 3D-Strukturen, sogenannten Nanogittern, angeordnet.
Um ihre verbesserten Materialien zu entwerfen, arbeiteten Serles und Filleter mit Professor Seunghwa Ryu und dem Doktoranden Jinwook Yeo am Korea Advanced Institute of Science & Technology (KAIST) in Daejeon, Südkorea. Diese Partnerschaft wurde durch das International Doctoral Clusters-Programm der University of Toronto ins Leben gerufen, das die Doktorandenausbildung durch Forschungsengagement mit internationalen Kooperationspartnern unterstützt.
Das KAIST-Team verwendete den maschinellen Lernalgorithmus zur Bayes’schen Optimierung mit mehreren Zielen. Dieser Algorithmus lernte aus simulierten Geometrien, um die bestmöglichen Geometrien zur Verbesserung der Spannungsverteilung und zur Verbesserung des Festigkeits-Gewichts-Verhältnisses nanoarchitektonischer Designs vorherzusagen.
Anschließend nutzte Serles einen Zwei-Photonen-Polymerisations-3D-Drucker, der im Center for Research and Application in Fluidic Technologies (CRAFT) untergebracht ist, um Prototypen für die experimentelle Validierung zu erstellen. Diese additive Fertigungstechnologie ermöglicht den 3D-Druck im Mikro- und Nanomaßstab und erzeugt optimierte Kohlenstoff-Nanogitter.
Diese optimierten Nanogitter haben die Festigkeit bestehender Designs mehr als verdoppelt und einer Belastung von 2,03 Megapascal pro Kubikmeter pro Kilogramm seiner Dichte standgehalten, was etwa fünfmal höher ist als bei Titan.
„Dies ist das erste Mal, dass maschinelles Lernen zur Optimierung nanostrukturierter Materialien eingesetzt wird, und wir waren von den Verbesserungen schockiert“, sagt Serles. „Es hat nicht nur erfolgreiche Geometrien aus den Trainingsdaten reproduziert, sondern auch daraus gelernt, welche Änderungen an den Formen funktionierten und welche nicht, was es ihm ermöglichte, völlig neue Gittergeometrien vorherzusagen.“
„Maschinelles Lernen ist normalerweise sehr datenintensiv und es ist schwierig, viele Daten zu generieren, wenn man hochwertige Daten aus der Finite-Elemente-Analyse verwendet. Aber der multiobjektive Bayes’sche Optimierungsalgorithmus benötigte nur 400 Datenpunkte, während andere Algorithmen dies könnten.“ Wir benötigen 20.000 oder mehr. Wir konnten also mit einem viel kleineren, aber extrem hochwertigen Datensatz arbeiten.“
„Wir hoffen, dass diese neuen Materialdesigns letztendlich zu ultraleichten Komponenten in Luft- und Raumfahrtanwendungen wie Flugzeugen, Hubschraubern und Raumfahrzeugen führen werden, die den Treibstoffbedarf während des Fluges senken und gleichzeitig Sicherheit und Leistung gewährleisten können“, sagt Filleter. „Dies kann letztendlich dazu beitragen, den hohen CO2-Fußabdruck des Fliegens zu reduzieren.“
„Wenn man zum Beispiel Komponenten aus Titan in einem Flugzeug durch dieses Material ersetzen würde, käme man mit einer Kraftstoffeinsparung von 80 Litern pro Jahr für jedes Kilogramm Material, das man ersetzt“, ergänzt Serles.
Weitere Mitwirkende an dem Projekt sind die Professoren Yu Zou, Chandra Veer Singh, Jane Howe und Charles Jia von der University of Toronto sowie internationale Mitarbeiter vom Karlsruher Institut für Technologie (KIT) in Deutschland, dem Massachusetts Institute of Technology (MIT) und der Rice University in die Vereinigten Staaten.
„Dies war ein vielschichtiges Projekt, das verschiedene Elemente aus den Bereichen Materialwissenschaft, maschinelles Lernen, Chemie und Mechanik zusammenbrachte, um uns zu helfen, zu verstehen, wie wir diese Technologie verbessern und implementieren können“, sagt Serles, der jetzt Schmidt Science Fellow am California Institute ist of Technology (Caltech).
„Unsere nächsten Schritte werden sich darauf konzentrieren, die Skalierung dieser Materialdesigns weiter zu verbessern, um kostengünstige Komponenten im Makromaßstab zu ermöglichen“, fügt Filleter hinzu.
„Darüber hinaus werden wir weiterhin neue Designs erforschen, die die Materialarchitekturen auf eine noch geringere Dichte bringen und gleichzeitig eine hohe Festigkeit und Steifigkeit beibehalten.“
