Des chercheurs de la Faculté des sciences appliquées et d’ingénierie de l’Université de Toronto ont utilisé l’apprentissage automatique pour concevoir des matériaux nano-architecturés qui ont la résistance de l’acier au carbone mais la légèreté de la mousse de polystyrène.
Dans un nouvel article publié dans Matériaux avancésune équipe dirigée par le professeur Tobin Filleter décrit comment ils ont fabriqué des nanomatériaux dotés de propriétés offrant une combinaison contradictoire de résistance exceptionnelle, de légèreté et de personnalisation. Cette approche pourrait profiter à un large éventail d’industries, de l’automobile à l’aérospatiale.
« Les matériaux nano-architecturés combinent des formes hautes performances, comme la fabrication d’un pont à partir de triangles, à des tailles nanométriques, qui tirent parti de l’effet « plus petit est plus fort », pour obtenir un rapport résistance/poids et rigidité/rapport les plus élevés. rapports de poids, de n’importe quel matériau », explique Peter Serles, le premier auteur du nouvel article.
« Cependant, les formes et géométries de treillis standard utilisées ont tendance à avoir des intersections et des coins pointus, ce qui entraîne un problème de concentration de contraintes. Cela entraîne une défaillance locale précoce et une rupture des matériaux, limitant leur potentiel global.
« En réfléchissant à ce défi, j’ai réalisé qu’il s’agissait d’un problème parfait à résoudre pour l’apprentissage automatique. »
Les matériaux nano-architecturés sont constitués de minuscules blocs de construction ou d’unités répétitives mesurant quelques centaines de nanomètres. Il faudrait plus de 100 d’entre eux disposés en rangée pour atteindre l’épaisseur d’un cheveu humain. Ces éléments constitutifs, ici composés de carbone, sont disposés en structures 3D complexes appelées nano-réseaux.
Pour concevoir leurs matériaux améliorés, Serles et Filleter ont travaillé avec le professeur Seunghwa Ryu et Ph.D. Jinwook Yeo, étudiant au Korea Advanced Institute of Science & Technology (KAIST) à Daejeon, en Corée du Sud. Ce partenariat a été initié dans le cadre du programme International Doctoral Clusters de l’Université de Toronto, qui soutient la formation doctorale par le biais d’un engagement en recherche avec des collaborateurs internationaux.
L’équipe KAIST a utilisé l’algorithme d’apprentissage automatique d’optimisation bayésienne multi-objectif. Cet algorithme a appris des géométries simulées pour prédire les meilleures géométries possibles afin d’améliorer la répartition des contraintes et d’améliorer le rapport résistance/poids des conceptions nano-architecturées.
Serles a ensuite utilisé une imprimante 3D à polymérisation à deux photons hébergée au Centre de recherche et d’application en technologies fluidiques (CRAFT) pour créer des prototypes à des fins de validation expérimentale. Cette technologie de fabrication additive permet l’impression 3D à l’échelle micro et nano, créant ainsi des nano-réseaux de carbone optimisés.
Ces nano-réseaux optimisés ont plus que doublé la résistance des conceptions existantes, résistant à une contrainte de 2,03 mégapascals pour chaque mètre cube par kilogramme de densité, soit environ cinq fois supérieure à celle du titane.
« C’est la première fois que l’apprentissage automatique est appliqué pour optimiser des matériaux nano-architecturés, et nous avons été choqués par les améliorations », déclare Serles. « Il n’a pas seulement reproduit des géométries réussies à partir des données d’entraînement ; il a appris de quels changements apportés aux formes ont fonctionné et de ce qui n’a pas fonctionné, ce qui lui a permis de prédire des géométries de réseau entièrement nouvelles.
« L’apprentissage automatique est normalement très gourmand en données, et il est difficile de générer beaucoup de données lorsque vous utilisez des données de haute qualité issues de l’analyse par éléments finis. Mais l’algorithme d’optimisation bayésienne multi-objectif n’avait besoin que de 400 points de données, alors que d’autres algorithmes pourraient le faire. nous en avons besoin de 20 000 ou plus. Nous avons donc pu travailler avec un ensemble de données beaucoup plus restreint, mais de très haute qualité. »
« Nous espérons que ces nouvelles conceptions de matériaux aboutiront à terme à des composants ultra-légers dans les applications aérospatiales, telles que les avions, les hélicoptères et les engins spatiaux, capables de réduire la demande de carburant pendant le vol tout en maintenant la sécurité et les performances », a déclaré Filleter. « Cela peut à terme contribuer à réduire l’empreinte carbone élevée du vol. »
« Par exemple, si vous deviez remplacer les composants en titane d’un avion par ce matériau, vous réaliseriez une économie de carburant de 80 litres par an pour chaque kilogramme de matériau remplacé », ajoute Serles.
Parmi les autres contributeurs au projet figurent les professeurs Yu Zou, Chandra Veer Singh, Jane Howe et Charles Jia de l’Université de Toronto, ainsi que des collaborateurs internationaux du Karlsruhe Institute of Technology (KIT) en Allemagne, du Massachusetts Institute of Technology (MIT) et de l’Université Rice en les États-Unis.
« Il s’agissait d’un projet à multiples facettes qui rassemblait divers éléments de la science des matériaux, de l’apprentissage automatique, de la chimie et de la mécanique pour nous aider à comprendre comment améliorer et mettre en œuvre cette technologie », explique Serles, aujourd’hui Schmidt Science Fellow au California Institute. de technologie (Caltech).
« Nos prochaines étapes se concentreront sur l’amélioration continue de la mise à l’échelle de ces conceptions de matériaux afin de permettre la création de composants à macro-échelle rentables », ajoute Filleter.
« De plus, nous continuerons à explorer de nouvelles conceptions qui poussent les architectures de matériaux à une densité encore plus faible tout en conservant une résistance et une rigidité élevées. »
Plus d’informations :
Peter Serles et al, Résistance spécifique ultra-élevée par optimisation bayésienne des nano-réseaux de carbone, Matériaux avancés (2025). DOI : 10.1002/adma.202410651