O processo de fabricação de materiais écomplicado, demorado e caro. Muito de um material, ou muito pouco, pode criar problemas com o produto, forçando o processo de design a comea§ar novamente. Avana§os no processo de design são necessa¡rios para reduzir o custo e o tempo que leva para produzir materiais com propriedades especa­ficas.

Financiado pela National Science Foundation (NSF), pesquisadores da Texas A&M University estãousando técnicas computacionais avana§adas e de aprendizado de ma¡quina para criar uma estrutura capaz de otimizar o processo de desenvolvimento de materiais, reduzindo tempo e custos.

"Nosso foco geral étrabalhar no projeto de materiais, considerando as relações processo-estrutura-propriedade para produzir materiais com propriedades-alvo", disse o Dr. Douglas Allaire, professor associado do Departamento de Engenharia Meca¢nica J. Mike Walker '66. "Em nosso trabalho, demonstramos um projetosensívela  microestrutura de ligas com uma estrutura de otimização Bayesiana capaz de explorar maºltiplas fontes de informação ."

Frameworks baseados em otimização bayesiana usam conhecimento prévio como modelos para prever resultados. No passado, os pesquisadores usaram essa estrutura em correlação com uma única fonte de informação (simulação ou experimento). Se esse manãtodo falhar, o processo comea§a novamente com a esperana§a de fazer os ajustes certos com base neste modelo .

Os pesquisadores rejeitaram essa noção e, em vez disso, acreditam que muitas fontes de informação podem ser obtidas usando uma estrutura bayesiana para desenvolver uma imagem mais completa dos processos subjacentes. Eles combinaram várias fontes de informações para criar materiais com propriedades direcionadas de forma mais eficiente, observando os dados em sua totalidade, em vez de suas partes.

“O que pensamos, isso émuito diferente, éque vocêpode ter muitos modelos potenciais ou fontes de informação diferentes”, disse o Dr. Raymundo Arra³yave, professor do Departamento de Ciência e Engenharia de Materiais. "Ha¡ muitas maneiras de entender / modelar o comportamento dos materiais, seja por meio de experimentos ou simulações. Nossa ideia écombinar todos esses diferentes modelos em um aºnico modelo 'fundido' que combina as forças de todos os outros modelos enquanto reduz seus fraquezas individuais. "

Sua pesquisa, intitulada "Explorando com eficiência as relações de estrutura-propriedade no design de materiais por fusão de fontes de informações maºltiplas", foi publicada recentemente no Vol. 26 da revista Acta Materialia .

“Essas cadeias de modelos historicamente não consideraram a amplitude das fontes de informação dispona­veis”, disse Allaire. "Eles consideram modelos aºnicos ao longo da cadeia, do processo, passando pela estrutura, atéa propriedade. Como resultado, eles não são tão eficientes ou precisos quanto poderiam ser."

Os pesquisadores estãoatualmente testando essa estrutura desenvolvendo aa§os de fase dupla normalmente usados ​​em chassis de automa³veis. Os aa§os bifa¡sicos são compostos por duas fases com propriedades muito diferentes e complementares.

“Existem duas fases; a fase da martensita torna esse aa§o em particular muito forte”, disse Arra³yave. "A fase ferra­tica émais macia e torna o aa§o mais flexa­vel e passa­vel de deformação. Com apenas microestruturas martensa­ticas, esses materiais são fortes, mas quebram facilmente. No entanto, se vocêcombinar a resistência da martensita com a ductilidade da ferrita, vocêpode fazer aa§os que são muito fortes, podem absorver energia durante o impacto e que podem ser fabricados em formas complexas, como estruturas de automa³veis. "

Usando o manãtodo desenvolvido neste trabalho, o objetivo édesenvolver um framework que preveja de forma mais precisa e eficaz a composição e processamento (receita) necessa¡rios para um projeto especa­fico. Por sua vez, isso diminui o número de simulações e experimentos necessa¡rios, reduzindo drasticamente os custos.

"O conhecimento que adquirimos sobre o processo de design de material como um todo usando nossa estrutura émuito maior do que a soma de todas as informações extraa­das de modelos individuais ou técnicas experimentais", disse o Dr. Ankit Srivastava, professor assistente do departamento de engenharia e ciência de materiais . "A estrutura permite que os pesquisadores aprendam com eficiência a  medida que avana§am, já que não apenas coleta e combina informações de vários modelos / experimentos, mas também informa qual fonte de informação, ou seja, um modelo ou experimento especa­fico fornece a eles o melhor valor pelo seu dinheiro ou tempo , o que realmente aprimora o processo de tomada de decisão. "

No futuro, eles esperam que sua estrutura seja amplamente utilizada ao tentar tarefas que envolvam o projeto de materiais computacionais integrados.

"Nossa esperana§a éque, ao apresentar esses recursos de otimização Bayesiana baseada em fusão de modelos, tornemos o processo de busca por novos materiais mais eficiente e preciso", disse Allaire. "Queremos que qualquer pesquisador use os modelos que eles tem disponí­veis sem se preocupar tanto sobre como integrar os modelos em sua própria cadeia de modelagem porque nossa estrutura de otimização Bayesiana lida com essa integração para eles."