Tecnologia Científica

Novo método para prever estresse em escala atômica
Os engenheiros aeroespaciais da Universidade de Illinois Urbana-Champaign usaram o aprendizado de máquina pela primeira vez para prever o estresse no cobre em escala atômica.
Por Universidade de Illinois em Urbana-Champaign - 04/11/2021


Esquerda: Aprendizado de máquina baseado em redes neurais artificiais como leis constitutivas para previsões de estresse atômico. À direita: Quantificando o estado de tensão local dos limites de grão a partir de informações de coordenadas atômicas. Crédito: Departamento de Engenharia Aeroespacial da Universidade de Illinois

A quantidade de tensão que um material pode suportar antes de rachar é uma informação crítica ao projetar aeronaves, espaçonaves e outras estruturas. Os engenheiros aeroespaciais da Universidade de Illinois Urbana-Champaign usaram o aprendizado de máquina pela primeira vez para prever o estresse no cobre em escala atômica.

De acordo com Huck Beng Chew e seu aluno de doutorado Yue Cui, os materiais, como o cobre, são muito diferentes nessas escalas muito pequenas.

"Os metais são tipicamente policristalinos porque contêm muitos grãos", disse Chew. "Cada grão é uma única estrutura de cristal em que todos os átomos estão dispostos de maneira ordenada e ordenada. Mas a estrutura atômica da fronteira onde esses grãos se encontram pode ser muito complexa e tende a apresentar tensões muito altas."

Essas tensões de contorno de grão são responsáveis ​​pelas propriedades de fratura e fadiga do metal, mas até agora, tais medições detalhadas de tensão em escala atômica estavam confinadas a modelos de simulação de dinâmica molecular. O uso de abordagens orientadas a dados com base no aprendizado de máquina permite que o estudo quantifique, pela primeira vez, as tensões de contorno de grão em espécimes de metal reais fotografados por microscopia eletrônica.

"Usamos simulações de dinâmica molecular de limites de grãos de cobre para treinar nosso algoritmo de aprendizado de máquina para reconhecer os arranjos dos átomos ao longo dos limites e identificar padrões nas distribuições de tensão dentro de diferentes estruturas de limites de grãos", disse Cui.

Eventualmente, o algoritmo foi capaz de prever com muita precisão as tensões de contorno de grão de simulação e dados de imagem experimental com resolução de nível atômico.

"Testamos a precisão do algoritmo de aprendizado de máquina com muitas estruturas de contorno de grãos diferentes até estarmos confiantes de que a abordagem era confiável", disse Cui.

Cui disse que a tarefa era mais desafiadora do que eles imaginavam, e eles tiveram que incluir restrições baseadas na física em seus algoritmos para obter previsões precisas com dados de treinamento limitados.

"Quando você treina o algoritmo de aprendizado de máquina em limites de grãos específicos, obtém uma precisão extremamente alta nas previsões de estresse desses mesmos limites", disse Chew, "mas a questão mais importante é: o algoritmo pode prever o estado de estresse de um nova fronteira que nunca viu antes? "

Chew disse, a resposta é sim, e muito bem, de fato.

"O que o aprendizado de máquina faz para o campo da mecânica de materiais é que nos permite usar dados para fazer previsões de forma rápida e autônoma. Este é um avanço significativo em relação ao desenvolvimento de modelos baseados na física complicados e altamente específicos para fazer previsões de falhas, "Chew disse.

Medir essas tensões de contorno de grão é o primeiro passo para projetar materiais aeroespaciais para aplicações em ambientes extremos.

"Ser capaz de estabelecer descritores quantitativos dos limites permitirá aos cientistas projetar os limites dos grãos para serem mais fortes e mais resistentes ao calor e à corrosão", disse Chew.

Cui enfatizou que o algoritmo que desenvolveram é muito geral e pode ser usado para quantificar as tensões em escala atômica que regem os processos de fratura e falha em muitos outros sistemas materiais.

O estudo, "Predição de aprendizado de máquina de estresse atômico ao longo dos limites de grãos", por Yue Cui e Huck Beng Chew, foi publicado na Acta Materialia .

 

.
.

Leia mais a seguir