Una nueva forma de calcular la interacción entre un metal y su material de aleación podría acelerar la búsqueda de un nuevo material que combine la dureza de la cerámica con la resistencia del metal.
El descubrimiento, realizado por ingenieros de la Universidad de Michigan, identifica dos aspectos de esta interacción que pueden predecir con precisión cómo se comportará una aleación en particular, y con menos cálculos mecánicos cuánticos desde cero.
"Nuestros hallazgos pueden permitir el uso de algoritmos de aprendizaje automático para el diseño de aleaciones, lo que podría acelerar la búsqueda de mejores aleaciones que podrían usarse en motores de turbina y reactores nucleares", dijo Liang Qi, profesor asistente de ciencia e ingeniería de materiales que dirigió elinvestigación.
Los motores a reacción y los reactores nucleares de hoy en día no pueden calentarse demasiado o de lo contrario el metal de la turbina del motor o los componentes internos del reactor se ablandarían. Sin embargo, los motores a reacción podrían funcionar de manera más eficiente y los reactores nucleares podrían ser más seguros si pudieran soportar temperaturas más altas, Dijo Qi. Se está buscando un material que sea muy duro incluso a altas temperaturas pero que también sea resistente al agrietamiento.
Los científicos de materiales abordan este problema a través de aleaciones, mezclando un metal con uno o más elementos. Un metal está compuesto principalmente por una red cristalina, con los átomos agrupados de manera ordenada. Sin embargo, son los defectos, olos lugares donde se interrumpe el enrejado, que tienen la mayor influencia sobre cómo se comportará un material, dijo Qi.
"Las propiedades de los defectos deciden el desempeño mecánico, térmico y de irradiación de los metales porque los átomos en los defectos generalmente tienen menos restricciones para moverse en comparación con aquellos en posiciones perfectas", dijo.
Algunos defectos son puntos de debilidad, como roturas en la red que cubren grandes áreas, conocidas como límites de grano. Pero los defectos pequeños, como las dislocaciones de varias filas de átomos, pueden mejorar el rendimiento de un metal al permitir que se doble,por ejemplo.
Los elementos de aleación se combinan con defectos para crear una red de interrupciones en la red del metal anfitrión, pero es difícil predecir cómo esa red afectará el rendimiento del metal.
El equipo limitó su estudio a los metales con un solo elemento de aleación con defectos, aún un espacio de diseño considerable con cientos de combinaciones de materiales y millones de estructuras de defectos.
Los electrones son responsables de unir los átomos de la red, por lo que el equipo buscó una conexión entre la forma en que los electrones están estructurados en un átomo de red ordinario y un átomo en un defecto, y cómo esto cambia la forma en que interactúa la redcon un elemento de aleación. Una alta energía de interacción entre el metal y el elemento de aleación en el defecto generalmente hace que el metal sea menos flexible, por ejemplo, mientras que una energía más baja significa que no están tan apretados.
El equipo identificó dos medidas, que llaman "descriptores", que representan cómo cambia la estructura de los electrones en el defecto en el metal puro. Utilizando estos, podrían descubrir cómo un elemento de aleación interactuaría con el defecto.
"Nos sorprendió descubrir que el poder predictivo de diferentes tipos de defectos y sitios, dado un cristal de metal particular y un elemento de aleación", dijo Yong-Jie Hu, investigador postdoctoral en ciencia e ingeniería de materiales y primer autor delpapel en Comunicaciones de la naturaleza .
El equipo descubrió que podían predecir cómo los átomos del elemento de aleación se concentraban en varios tipos de defectos, incluidos los tipos complejos, como los límites de grano de ángulo alto, donde la red está muy desalineada.
La identificación de estos descriptores es un paso importante para poder aprovechar el aprendizaje automático de manera efectiva para el diseño de aleaciones, utilizando algoritmos para rastrear los resultados de simulaciones de mecánica cuántica altamente precisas pero computacionalmente intensivas.
Sin embargo, los investigadores señalan que se deben descubrir más descriptores para predecir cómo se comportarán las aleaciones más complejas, por ejemplo, aquellos con dos o más elementos de aleación con defectos. Y aunque estos descriptores pueden alimentar el aprendizaje automático, los humanos probablemente los identificarán.
"El descubrimiento se realizó a través del 'aprendizaje humano' de los modelos electrónicos clásicos", dijo Qi. "Indica que, en la era de los grandes datos y la inteligencia artificial, la inteligencia humana aún proporciona recursos confiables para los descubrimientos científicos".
La investigación, publicada en la revista Comunicaciones de la naturaleza , fue financiado por la National Science Foundation y la Universidad de Michigan.
Fuente de la historia :
Materiales proporcionados por Universidad de Michigan . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :