La investigación científica moderna sobre materiales depende en gran medida de explorar su comportamiento a escalas atómica y molecular. Por esa razón, los científicos están constantemente buscando métodos nuevos y mejorados para recopilar y analizar datos de materiales a esas escalas.
Investigadores del Centro de Materiales a Nanoescala CNM, una instalación de usuarios de la Oficina de Ciencia del Departamento de Energía de los EE. UU. DOE ubicada en el Laboratorio Nacional Argonne del DOE, han inventado un algoritmo basado en aprendizaje automático para caracterizar cuantitativamente, en tres dimensiones,materiales con características tan pequeñas como nanómetros. Los investigadores pueden aplicar este descubrimiento fundamental al análisis de la mayoría de los materiales estructurales de interés para la industria.
"Lo que hace que nuestro algoritmo sea único es que si comienzas con un material del que no sabes esencialmente nada sobre la microestructura, en cuestión de segundos le dirá al usuario la microestructura exacta en las tres dimensiones", dijo Subramanian Sankaranarayanan, líder del grupodel grupo de teoría y modelado CNM y profesor asociado en el Departamento de Ingeniería Mecánica e Industrial de la Universidad de Illinois en Chicago.
"Por ejemplo, con los datos analizados por nuestra herramienta 3D", dijo Henry Chan, investigador postdoctoral del CNM y autor principal del estudio, "los usuarios pueden detectar fallas y grietas y potencialmente predecir la vida útil bajo diferentes tensiones y tensiones para todo tipo demateriales estructurales "
La mayoría de los materiales estructurales son policristalinos, lo que significa que una muestra utilizada para fines de análisis puede contener millones de granos. El tamaño y la distribución de esos granos y los huecos dentro de una muestra son características microestructurales críticas que afectan importantes aspectos físicos, mecánicos, ópticos, químicos ypropiedades térmicas. Tal conocimiento es importante, por ejemplo, para el descubrimiento de nuevos materiales con propiedades deseadas, como componentes de máquina más fuertes y más duros que duran más.
En el pasado, los científicos han visualizado características microestructurales en 3D dentro de un material al tomar instantáneas en la microescala de muchos cortes 2D, procesar los cortes individuales y luego pegarlos juntos para formar una imagen en 3D. Tal es el caso, por ejemplo,con la rutina de escaneo de tomografía computarizada realizada en hospitales. Sin embargo, ese proceso es ineficiente y conduce a la pérdida de información. Por lo tanto, los investigadores han estado buscando mejores métodos para los análisis 3D.
"Al principio", dijo Mathew Cherukara, científico asistente en CNM, "pensamos en diseñar un algoritmo basado en interceptación para buscar todos los límites entre los numerosos granos en la muestra hasta mapear toda la microestructura en las tres dimensiones,pero como puede imaginar, con millones de granos, eso es extraordinariamente lento e ineficiente "
"La belleza de nuestro algoritmo de aprendizaje automático es que utiliza un algoritmo no supervisado para manejar el problema del límite y producir resultados altamente precisos con alta eficiencia", dijo Chan. "Junto con las técnicas de muestreo descendente, solo toma segundos procesar grandesMuestras en 3D y obtenga información microestructural precisa que sea robusta y resistente al ruido ".
El equipo probó con éxito el algoritmo en comparación con los datos obtenidos de los análisis de varios metales diferentes aluminio, hierro, silicio y titanio y materiales blandos polímeros y micelas. Estos datos provienen de experimentos publicados anteriormente y de simulaciones por computadora.en dos instalaciones de usuarios de la Oficina de Ciencia del DOE, la Instalación de Computación de Liderazgo de Argonne y el Centro Nacional de Computación Científica de Investigación Energética. También se utilizaron en esta investigación el Centro de Recursos de Computación de Laboratorio en Argonne y el Clúster de Carbono en CNM.
"Para los investigadores que usan nuestra herramienta, la principal ventaja no es solo la impresionante imagen 3D generada sino, lo que es más importante, los datos de caracterización detallados", dijo Sankaranarayanan. "Incluso pueden rastrear cuantitativa y visualmente la evolución de una microestructura a medida que cambiaen tiempo real."
El algoritmo de aprendizaje automático no se limita a los sólidos. El equipo lo ha ampliado para incluir la caracterización de la distribución de grupos moleculares en fluidos con importantes aplicaciones energéticas, químicas y biológicas.
Esta herramienta de aprendizaje automático debería ser especialmente impactante para el análisis futuro en tiempo real de los datos obtenidos de grandes instalaciones de caracterización de materiales, como Advanced Photon Source, otra instalación de usuarios de la Oficina de Ciencia de DOE en Argonne y otros sincrotrones en todo el mundo.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Original escrito por Joseph E. Harmon. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :