Acelerando el descubrimiento de nuevos materiales para la impresión 3D – ScienceDaily

0


La creciente popularidad de la impresión 3D para la fabricación de todo tipo de artículos, desde dispositivos médicos personalizados hasta viviendas asequibles, ha creado una mayor demanda de nuevos materiales de impresión 3D diseñados para usos muy específicos.

Para reducir el tiempo que lleva descubrir estos nuevos materiales, los investigadores del MIT desarrollaron un proceso basado en datos que utiliza el aprendizaje automático para optimizar nuevos materiales de impresión 3D con múltiples características, como dureza y resistencia a la compresión.

Al simplificar el desarrollo de materiales, el sistema reduce los costos y reduce el impacto ambiental al reducir la cantidad de desechos químicos. El algoritmo de aprendizaje automático también podría estimular la innovación al sugerir formulaciones químicas únicas que la intuición humana podría pasar por alto.

«El desarrollo de materiales es todavía un proceso muy manual. Un químico entra a un laboratorio, mezcla los ingredientes a mano, toma muestras, las prueba y llega a una formulación final. Pero en lugar de tener un químico que solo puede hacer un par de iteraciones en un lapso de días, nuestro sistema puede realizar cientos de iteraciones en la misma cantidad de tiempo «, dice Mike Foshey, ingeniero mecánico y gerente de proyectos en el Grupo de Diseño y Fabricación Computacional (CDFG) del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y coautor del documento.

Otros autores incluyen al coautor Timothy Erps, asociado técnico de CDFG; ¿Mina Konakovic? Lukovi ^ {TM}, postdoctorado en CSAIL; Wan Shou, un ex postdoctorado del MIT que ahora es profesor asistente en la Universidad de Arkansas; el autor principal Wojciech Matusik, profesor de ingeniería eléctrica e informática en el MIT; y Hanns Hagen Geotzke, Herve Dietsch y Klaus Stoll de BASF. La investigación fue publicada hoy en Avances científicos.

Optimización del descubrimiento

En el sistema desarrollado por los investigadores, un algoritmo de optimización realiza gran parte del proceso de detección por prueba y error.

Un desarrollador de materiales selecciona algunos ingredientes, ingresa detalles sobre su composición química en el algoritmo y define las propiedades mecánicas que debe tener el nuevo material. Luego, el algoritmo aumenta y disminuye las cantidades de esos componentes (como girar las perillas de un amplificador) y verifica cómo cada fórmula afecta las propiedades del material, antes de llegar a la combinación ideal.

Luego, el desarrollador mezcla, procesa y prueba esa muestra para averiguar cómo se comporta realmente el material. El desarrollador informa los resultados al algoritmo, que automáticamente aprende del experimento y usa la nueva información para decidir sobre otra formulación para probar.

«Creemos que, para una serie de aplicaciones, esto superaría al método convencional porque puede confiar más en el algoritmo de optimización para encontrar la solución óptima. No necesitaría un químico experimentado a mano para preseleccionar las formulaciones de materiales». Foshey dice.

Los investigadores crearon una plataforma de optimización de material de código abierto y gratuita llamada AutoOED que incorpora el mismo algoritmo de optimización. AutoOED es un paquete de software completo que también permite a los investigadores realizar su propia optimización.

Haciendo materiales

Los investigadores probaron el sistema usándolo para optimizar las formulaciones de una nueva tinta de impresión 3D que se endurece cuando se expone a la luz ultravioleta.

Identificaron seis productos químicos que se utilizarían en las formulaciones y establecieron el objetivo del algoritmo de descubrir el material con el mejor rendimiento en términos de tenacidad, módulo de compresión (rigidez) y resistencia.

Maximizar estas tres propiedades manualmente sería particularmente desafiante porque pueden entrar en conflicto; por ejemplo, el material más resistente puede no ser el más rígido. Utilizando un proceso manual, un químico normalmente intentaría maximizar una propiedad a la vez, lo que resulta en muchos experimentos y mucho desperdicio.

Después de probar solo 120 muestras, el algoritmo produjo 12 materiales de alto rendimiento con excelentes compensaciones entre las tres propiedades diferentes.

Foshey y sus colaboradores se sorprendieron por la amplia variedad de materiales que el algoritmo pudo generar y dijeron que los resultados fueron mucho más variados de lo que esperaban en función de los seis ingredientes. El sistema fomenta la exploración, lo que podría ser particularmente útil en situaciones en las que las propiedades específicas de los materiales no se pueden descubrir fácilmente de forma intuitiva.

Más rápido en el futuro

El proceso podría acelerarse aún más mediante el uso de automatización adicional. Los investigadores mezclaron y probaron manualmente cada muestra, pero los robots podrían hacer que los sistemas de dispensación y mezcla funcionen en versiones futuras del sistema, dice Foshey.

Más adelante, a los investigadores también les gustaría probar este proceso de descubrimiento basado en datos para usos más allá del desarrollo de nuevas tintas para impresión 3D.

«Esto tiene amplias aplicaciones en la ciencia de los materiales en general. Por ejemplo, si desea diseñar nuevos tipos de baterías con mayor eficiencia y menor costo, puede usar un sistema como este para hacerlo. O si desea optimizar la pintura para un coche que se ajusta mejor, que funciona bien y es respetuoso con el medio ambiente, este sistema también podría hacer eso «, dice.

La investigación fue apoyada por BASF.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More