Forscher des Department of Materials Science and Engineering der Texas A&M University haben ein Artificial Intelligence Materials Selection Framework (AIMS) verwendet, um eine neue Formgedächtnislegierung zu entdecken. Die Formgedächtnislegierung zeigte im Betrieb die bisher höchste Effizienz für Nickel-Titan-Basiswerkstoffe. Darüber hinaus bietet ihr datengesteuertes Framework einen Machbarkeitsnachweis für zukünftige Materialentwicklungen.
Diese Studie wurde kürzlich in der veröffentlicht Acta Materialia Tagebuch.
Formgedächtnislegierungen werden in verschiedenen Bereichen eingesetzt, in denen kompakte, leichte und Festkörperaktuatoren benötigt werden, die hydraulische oder pneumatische Aktuatoren ersetzen, da sie sich bei Kälte verformen und dann bei Erwärmung in ihre ursprüngliche Form zurückkehren können. Diese einzigartige Eigenschaft ist entscheidend für Anwendungen wie Flugzeugflügel, Düsentriebwerke und Automobilkomponenten, die wiederholten, wiederherstellbaren großen Formänderungen standhalten müssen.
Seit ihren Anfängen Mitte der 1960er Jahre gab es viele Fortschritte bei Formgedächtnislegierungen, aber mit einem Preis. Das Verständnis und die Entdeckung neuer Formgedächtnislegierungen erforderte umfangreiche Forschung durch Experimente und Ad-hoc-Trial-and-Error. Trotz vieler, die dokumentiert wurden, um weitere Anwendungen von Formgedächtnislegierungen zu unterstützen, wurden in dekadischer Weise neue Legierungsentdeckungen vorgenommen. Etwa alle 10 Jahre wurde eine signifikante Formgedächtnislegierungszusammensetzung oder ein System entdeckt. Darüber hinaus werden sie selbst bei Fortschritten bei Formgedächtnislegierungen durch ihre geringe Energieeffizienz behindert, die durch Inkompatibilitäten in ihrer Mikrostruktur während der großen Formänderung verursacht wird. Außerdem sind sie notorisch schwierig von Grund auf neu zu entwerfen.
Um diese Mängel zu beheben, haben Forscher von Texas A&M experimentelle Daten kombiniert, um einen AIMS-Rechenrahmen zu schaffen, der in der Lage ist, optimale Materialzusammensetzungen zu bestimmen und diese Materialien zu verarbeiten, was zur Entdeckung einer neuen Formgedächtnislegierungszusammensetzung führte.
„Beim Entwerfen von Materialien gibt es manchmal mehrere widersprüchliche Ziele oder Einschränkungen, die sehr schwer zu umgehen sind“, sagte Dr. Ibrahim Karaman, Chevron-Professor I und Leiter der Abteilung für Materialwissenschaft und -technik. „Mit unserem Machine-Learning-Framework können wir experimentelle Daten verwenden, um versteckte Korrelationen zwischen den Eigenschaften verschiedener Materialien zu finden, um zu sehen, ob wir neue Materialien entwerfen können.“
Es wurde vorhergesagt und nachgewiesen, dass die Formgedächtnislegierung, die während der Studie mit AIMS gefunden wurde, die engste Hysterese erreicht, die jemals aufgezeichnet wurde. Mit anderen Worten, das Material zeigte den geringsten Energieverlust bei der Umwandlung von thermischer Energie in mechanische Arbeit. Das Material zeigte aufgrund seines extrem kleinen Transformationstemperaturfensters eine hohe Effizienz, wenn es Temperaturwechseln ausgesetzt wurde. Das Material zeigte auch eine ausgezeichnete zyklische Stabilität unter wiederholter Betätigung.
Typisch für Formgedächtnislegierungen ist eine Nickel-Titan-Kupfer-Zusammensetzung. Nickel-Titan-Kupfer-Legierungen enthalten typischerweise 50 % Titan und bilden ein einphasiges Material. Mithilfe von maschinellem Lernen sagten die Forscher eine andere Zusammensetzung mit Titan von 47 % und Kupfer von 21 % voraus. Während sich diese Zusammensetzung im Zweiphasenbereich befindet und Partikel bildet, tragen sie dazu bei, die Eigenschaften des Materials zu verbessern, erklärte William Trehern, Doktorand und wissenschaftlicher Mitarbeiter in der Abteilung für Materialwissenschaften und -technik und Erstautor der Veröffentlichung.
Diese hocheffiziente Formgedächtnislegierung eignet sich insbesondere für die thermische Energiegewinnung, die Materialien erfordert, die die von Maschinen erzeugte Abfallenergie aufnehmen und nutzen können, und für die thermische Energiespeicherung, die zum Kühlen elektronischer Geräte verwendet wird.
Insbesondere bietet das AIMS-Framework die Möglichkeit, Techniken des maschinellen Lernens in der Materialwissenschaft einzusetzen. Die Forscher sehen das Potenzial, weitere Formgedächtnislegierungen mit gewünschten Eigenschaften für verschiedene andere Anwendungen zu entdecken.
„Es ist eine Offenbarung, maschinelles Lernen zu nutzen, um Verbindungen zu finden, die unser Gehirn oder bekannte physikalische Prinzipien möglicherweise nicht erklären können“, sagte Karaman. „Wir können Datenwissenschaft und maschinelles Lernen nutzen, um die Geschwindigkeit der Materialentdeckung zu beschleunigen. Ich glaube auch, dass wir möglicherweise neue Physik oder Mechanismen hinter dem Materialverhalten entdecken können, die wir vorher nicht kannten, wenn wir auf die Verbindungen achten, die maschinelles Lernen finden kann. “
Weitere Mitwirkende sind Dr. Raymundo Arróyave und Dr. Kadri Can Atli, Professoren in der Abteilung für Materialwissenschaften und -technik, sowie Risheil Ortiz-Ayala, Student der Materialwissenschaften und -technik.
„Während maschinelles Lernen mittlerweile in der Materialwissenschaft weit verbreitet ist, konzentrieren sich die meisten Ansätze bisher darauf, die Eigenschaften eines Materials vorherzusagen, ohne notwendigerweise zu erklären, wie es verarbeitet werden muss, um Zieleigenschaften zu erreichen“, sagte Arróyave. „Hier betrachtete der Rahmen nicht nur die chemische Zusammensetzung der Kandidatenmaterialien, sondern auch die Verarbeitung, die erforderlich ist, um die interessierenden Eigenschaften zu erreichen.“
W. Trehern et al, Datengesteuerte Entdeckung von Formgedächtnislegierungen unter Verwendung des AIMS-Frameworks (Artificial Intelligence Materials Selection), Acta Materialia (2022). DOI: 10.1016/j.actamat.2022.117751