Pesquisadores da Faculdade de Ciências Aplicadas e Engenharia da Universidade de Toronto usaram aprendizado de máquina para projetar materiais nanoarquitetados que têm a resistência do aço carbono, mas a leveza do isopor.

Em um novo artigo publicado na Advanced Materials , uma equipe liderada pelo Professor Tobin Filleter descreve como eles fizeram nanomateriais com propriedades que oferecem uma combinação conflitante de resistência excepcional, leveza e personalização. A abordagem pode beneficiar uma ampla gama de indústrias, da automotiva à aeroespacial.

"Materiais nanoarquitetados combinam formas de alto desempenho, como fazer uma ponte com triângulos, em tamanhos nanoescala, o que aproveita o efeito 'quanto menor, mais forte', para atingir algumas das maiores relações resistência-peso e rigidez-peso de qualquer material", diz Peter Serles, o primeiro autor do novo artigo.

"No entanto, as formas e geometrias de treliça padrão usadas tendem a ter interseções e cantos agudos, o que leva ao problema de concentrações de tensão. Isso resulta em falha local precoce e quebra dos materiais, limitando seu potencial geral.

"Enquanto pensava sobre esse desafio, percebi que é um problema perfeito para ser enfrentado pelo aprendizado de máquina ."

Materiais nanoarquitetados são feitos de pequenos blocos de construção ou unidades repetidas medindo algumas centenas de nanômetros de tamanho — seriam necessários mais de 100 deles padronizados em uma fileira para atingir a espessura de um fio de cabelo humano. Esses blocos de construção, que neste caso são compostos de carbono, são organizados em estruturas 3D complexas chamadas nanolattices.

Para projetar seus materiais aprimorados, Serles e Filleter trabalharam com o professor Seunghwa Ryu e o aluno de doutorado Jinwook Yeo no Korea Advanced Institute of Science & Technology (KAIST) em Daejeon, Coreia do Sul. Essa parceria foi iniciada por meio do programa International Doctoral Clusters da University of Toronto, que apoia o treinamento de doutorado por meio do engajamento em pesquisa com colaboradores internacionais.

A equipe do KAIST empregou o algoritmo de aprendizado de máquina de otimização Bayesiana multiobjetivo. Esse algoritmo aprendeu com geometrias simuladas para prever as melhores geometrias possíveis para melhorar a distribuição de tensão e melhorar a relação resistência-peso de designs nanoarquitetados.

Serles então usou uma impressora 3D de polimerização de dois fótons alojada no Center for Research and Application in Fluidic Technologies (CRAFT) para criar protótipos para validação experimental. Essa tecnologia de manufatura aditiva permite a impressão 3D em micro e nanoescala, criando nanolattices de carbono otimizados.

Essas nanolattices otimizadas mais que dobraram a resistência dos projetos existentes, suportando uma tensão de 2,03 megapascais para cada metro cúbico por quilograma de sua densidade, o que é cerca de cinco vezes maior que o titânio.

"Esta é a primeira vez que o aprendizado de máquina foi aplicado para otimizar materiais nanoarquitetados, e ficamos chocados com as melhorias", diz Serles. "Ele não apenas replicou geometrias bem-sucedidas dos dados de treinamento; ele aprendeu com quais mudanças nas formas funcionaram e quais não funcionaram, permitindo prever geometrias de rede inteiramente novas.

"O aprendizado de máquina normalmente é muito intensivo em dados, e é difícil gerar muitos dados quando você está usando dados de alta qualidade de análise de elementos finitos . Mas o algoritmo de otimização bayesiana multiobjetivo precisava de apenas 400 pontos de dados, enquanto outros algoritmos podem precisar de 20.000 ou mais. Então, conseguimos trabalhar com um conjunto de dados muito menor, mas de altíssima qualidade."

"Esperamos que esses novos designs de materiais eventualmente levem a componentes ultraleves em aplicações aeroespaciais, como aviões, helicópteros e espaçonaves que podem reduzir as demandas de combustível durante o voo, mantendo a segurança e o desempenho", diz Filleter. "Isso pode, em última análise, ajudar a reduzir a alta pegada de carbono do voo."

"Por exemplo, se você substituísse componentes feitos de titânio em um avião por esse material, você economizaria 80 litros de combustível por ano para cada quilo de material substituído", acrescenta Serles.

Outros colaboradores do projeto incluem os professores da Universidade de Toronto Yu Zou, Chandra Veer Singh, Jane Howe e Charles Jia, bem como colaboradores internacionais do Instituto de Tecnologia de Karlsruhe (KIT) na Alemanha, do Instituto de Tecnologia de Massachusetts (MIT) e da Universidade Rice nos Estados Unidos.

"Este foi um projeto multifacetado que reuniu vários elementos da ciência dos materiais , aprendizado de máquina, química e mecânica para nos ajudar a entender como melhorar e implementar essa tecnologia", diz Serles, que agora é Schmidt Science Fellow no Instituto de Tecnologia da Califórnia (Caltech).

"Nossos próximos passos se concentrarão em melhorar ainda mais a ampliação desses projetos de materiais para permitir componentes de macroescala com boa relação custo-benefício", acrescenta Filleter.

"Além disso, continuaremos a explorar novos designs que levem as arquiteturas dos materiais a uma densidade ainda menor, mantendo alta resistência e rigidez."