Kleine scheurtjes, breuklijntjes, of onregelmatigheden. Deze microscopische foutjes in metalen kunnen grote gevolgen hebben. Onderzoekers van de TU Delft hebben nu een slimme manier ontwikkeld om die minieme defecten in metalen op te sporen en te voorspellen met machine learning. Deze nieuwe tool kan een enorme stap vooruit betekenen in het ontwerpen van sterkere en veiligere materialen. Hun onderzoek is onlangs gepubliceerd in npj Computational Materials.
“Defecten zijn eigenlijk altijd aanwezig in metalen,” vertelt universitair hoofddocent Poulumi Dey. “Maar het is cruciaal om te begrijpen wat die foutjes doen met de sterkte en levensduur van een materiaal. Zeker als het gaat om levensgevaarlijke situaties door het instorten van infrastructuur of hele dure reparaties.”
Wat is een defecten-genoom?
Normaal gesproken moet je heel veel testen doen in het lab om te achterhalen welke defecten er in een metaal zitten en wat die precies doen. Dat kost veel tijd en geld. Het team van TU Delft pakt het anders aan. Zij gebruiken computersimulaties om te bekijken hoe defecten ontstaan en wat voor invloed ze hebben op het gedrag van het materiaal. “We hebben een nieuw rekenmodel ontwikkeld waarmee we effectief het metaal op atoomniveau kunnen reconstrueren,” zegt Dey.
Machine learning
Het gebruikte machine learning -model is sneller én nauwkeuriger dan bestaande methoden. Het resultaat is een soort ‘defecten-genoom’ van metalen: een systematisch raamwerk waarmee wetenschappers kunnen onderzoeken hoe verschillende imperfecties de mechanische eigenschappen van een materiaal beïnvloeden. Deze aanpak kan de manier waarop ingenieurs materialen ontwerpen voor kritieke toepassingen ingrijpend verbeteren.
Duurzamere metalen
De toepassingen zijn breed. Van bruggen en vliegtuigen tot smartphones en medische apparatuur—vrijwel alle moderne technologieën vertrouwen op metalen die bestand moeten zijn tegen zware belasting. “Door beter te begrijpen hoe defecten de prestaties beïnvloeden, kunnen ingenieurs materialen ontwerpen die niet alleen sterker zijn, maar ook betrouwbaarder en duurzamer,” voegt postdoc onderzoeker Fei Shuang toe.
Wolfraam
Het team testte hun methode met succes op wolfraam, een metaal dat bekendstaat om zijn hoge sterkte en smeltpunt. De volgende stap is het toepassen van het machine learning -model op complexere materialen met meerdere componenten, zoals staal en hoge-entropielegeringen. Deze worden veel gebruikt in de bouw, waterstoftechnologie en andere veeleisende toepassingen.
We hebben een nieuw rekenmodel ontwikkeld waarmee we effectief het metaal op atoomniveau kunnen reconstruerenUniversitair hoofddocent Poulumi Dey
Het team testte hun methode met succes op wolfraam, een metaal dat bekendstaat om zijn hoge sterkte en smeltpunt. De volgende stap is het toepassen van het model op complexere materialen met meerdere componenten, zoals staal en hoge-entropielegeringen, die veel worden gebruikt in de bouw, waterstoftechnologie en andere veeleisende toepassingen.
Bron en beeld: TU Delft
Lees ook: Nieuwe 3D-printmethode combineert soepele en harde materialen in één print
