به گزارش ایسنا، دانشکده مهندسی و علوم کاربردی دانشگاه تورنتو با استفاده از یادگیری ماشین، موادی نانوساختاری طراحی کرده‌اند که ترکیبی منحصر به فرد از استحکام بالا، وزن کم و قابلیت سفارشی‌سازی را ارائه می‌دهند. این مواد می‌توانند در صنایع مختلف از جمله هوافضا و خودرو تحول ایجاد کنند.

این مواد نانوساختار از بلوک‌های ساختمانی بسیار کوچک یا واحدهای تکراری تشکیل شده‌اند که اندازه آنها تنها چند صد نانومتر است. این بلوک‌ها که از جنس کربن هستند، در ساختارهای سه‌بعدی پیچیده‌ای به نام نانو شبکه‌ها (nanolattices) چیده شده‌اند.

پیتر سرلس، نویسنده اصلی این مقاله، چنین توضیح می‌دهد: مواد نانوساختار با ترکیب شکل‌های پرکاربرد در مقیاس نانو، مانند ساخت پل از بلوک‌های مثلثی شکل و استفاده از اثر «کوچک‌تر یعنی قوی‌تر»، به برخی از بالاترین نسبت‌های استحکام به وزن و سفتی به وزن در بین تمام مواد دست یافته‌اند. با این حال، شکل‌های استاندارد شبکه‌ها معمولاً دارای گوشه‌ها و تقاطع‌های تیز هستند که باعث تمرکز تنش و شکست زودهنگام مواد می‌شوند. این موضوع پتانسیل کلی مواد را محدود می‌کند.

در این میان، یادگیری ماشین به کمک طراحی مواد نانوساختاری می‌آید. برای غلبه بر این چالش، این تیم تحقیقاتی از الگوریتم بهینه‌سازی بیزیان چندهدفه (multi-objective Bayesian optimization) استفاده کردند. این الگوریتم با یادگیری از داده‌های شبیه‌سازی‌شده، بهترین هندسه‌ها را برای بهبود توزیع تنش و افزایش نسبت استحکام به وزن مواد نانوساختاری پیش‌بینی کرد.

پیتر سرلس سپس از یک چاپگر سه‌بعدی مبتنی بر پلیمریزاسیون دو فوتونی در مرکز تحقیقات و کاربرد فناوری‌های سیالی (CRAFT) برای ساخت نمونه‌های اولیه استفاده کرد. این فناوری چاپ سه‌بعدی در مقیاس میکرو و نانو، امکان ایجاد نانو شبکه‌های کربنی بهینه‌شده را فراهم می‌کند. نتایج شگفت‌انگیز بود.

این نانو شبکه‌های بهینه‌شده بیش از دو برابر استحکام طراحی‌های قبلی را نشان دادند و توانستند تنشی معادل ۲.۰۳ مگاپاسکال به ازای هر متر مکعب بر کیلوگرم را تحمل کنند. این مقدار حدود پنج برابر بیشتر از استحکام تیتانیوم است.

سرلس می‌گوید: این اولین بار است که از یادگیری ماشین برای بهینه‌سازی مواد نانوساختار استفاده می‌شود و ما از بهبودهای به‌دست‌آمده شوکه شدیم. این الگوریتم نه تنها هندسه‌های موفق از داده‌های آموزش داده شده پیشین را تکرار نکرد، بلکه از تغییراتی که در شکل‌ها مؤثر بودند، یاد گرفت و توانست هندسه‌های کاملاً جدیدی را پیش‌بینی کند.

این مواد جدید می‌توانند در صنعت هوافضا برای ساخت قطعات فوق‌سبک در هواپیماها، هلیکوپترها و فضاپیماها استفاده شوند. این قطعات نه تنها ایمنی و عملکرد را حفظ می‌کنند، بلکه با کاهش وزن، مصرف سوخت را نیز به میزان قابل توجهی کاهش می‌دهند.

فیلیتر، سرپرست این تحقیق می‌گوید: امیدواریم این طراحی‌های جدید مواد منجر به ساخت قطعات فوق‌سبک در کاربردهای هوافضا شوند که می‌توانند تقاضای سوخت را در طول پرواز کاهش دهند و در عین حال ایمنی و عملکرد را حفظ کنند. این امر در نهایت می‌تواند به کاهش ردپای کربن ناشی از پرواز کمک کند.

سرلس نیز اضافه می‌کند: اگر قطعات ساخته‌شده از تیتانیوم در یک هواپیما را با این مواد جایگزین کنید، می‌توانید به صرفه‌جویی ۸۰ لیتر سوخت در سال به ازای هر کیلوگرم مواد جایگزین‌شده دست یابید.

این پروژه چندوجهی، عناصر مختلفی از علوم مواد، یادگیری ماشین، شیمی و مکانیک را گرد هم آورده است تا به بهبود و پیاده‌سازی این فناوری کمک کند. گام‌های بعدی این تیم تحقیقاتی شامل بهبود مقیاس‌پذیری این طراحی‌های مواد برای ساخت قطعات در مقیاس بزرگ و مقرون‌به‌صرفه است.

فیلیتر می‌گوید: علاوه بر این، ما به بررسی طراحی‌های جدیدی ادامه خواهیم داد که چگالی مواد را حتی بیشتر کاهش دهند و در عین حال استحکام و سفتی بالایی را حفظ کنند.

این دستاورد علمی نه تنها نشان‌دهنده پتانسیل بالای ترکیب یادگیری ماشین و فناوری‌های پیشرفته ساخت است، بلکه می‌تواند راه را برای نوآوری‌های بیشتر در صنایع مختلف هموار کند.

انتهای پیام