Прочные и легкие материалы с помощью 3D-печати

Благодаря машинному обучению и 3D-печати исследователи из Университета Торонто разработали наноархитектурные материалы, сочетающие прочность углеродистой стали с легкостью пенополистирола. Таким образом, 3D-печать, облегчающая создание таких инновационных материалов, становится все более популярным инструментом для разработки материалов с преимуществами свойств для различных отраслей. Это событие не первое, поскольку в этой области появляется все больше новых достижений, которые потенциально могут повлиять на многие отрасли.

Под руководством профессора Тобина Филлера команда разработала эти наноматериалы с интересными характеристиками, сочетающими прочность, легкость и адаптивность. Этот процесс может изменить многие сектора, от автомобильной до аэрокосмической.

Эти материалы состоят из повторяющихся небольших единиц размером всего несколько сотен нанометров. Чтобы достичь толщины человеческого волоса, нужно было бы выровнять более 100. Эти блоки, в основном изготовленные из углерода, образуют сложные трехмерные структуры, называемые нанорешетками.

"Наноархитектурные материалы сочетают высокоэффективные формы, такие как создание моста из треугольников, в наноразмерах, использующих преимущество эффекта "меньше - сильнее", чтобы достичь наивысшего соотношения прочности к весу и жесткости из всех материалов", - объясняет Питер Серлес, один из ведущих исследователей. Однако используемые стандартные формы и геометрии решетки имеют острые сечения и углы, что приводит к проблеме концентрации напряжения. Это приводит к раннему локальному разрушению и разрушению материалов, что ограничивает их общий потенциал. Подумав об этом, я понял, что это идеальная проблема для машинного обучения».

Питер Серлес и Тобин Филлетер сотрудничали с Корейским передовым институтом науки и технологий (KAIST) в Южной Корее по разработке своих материалов. Команда использовала алгоритм машинного обучения, чтобы предусмотреть наилучшие формы для улучшения прочности и легкости материалов. Затем Серлес использовал 3D-принтер с двухфотонной полимеризацией для создания микро- и наноразмерных прототипов. Усовершенствованные нанорешетки более чем удвоили прочность предыдущих моделей, способные выдерживать нагрузку в 2,03 мегапаскаля на кубический метр на килограмм, что примерно в пять раз больше, чем у титана.

Это впервые было применено машинное обучение для оптимизации наноархитектурных материалов, и авторы были шокированы этими усовершенствованиями. Это не просто воспроизводило успешные геометрии по учебным данным; он узнал, какие изменения форм сработали, а какие нет, что позволило ему предусмотреть совершенно новые геометрии решетки. Машинное обучение обычно требует большого количества данных и трудно сгенерировать много данных, если вы используете высококачественные данные анализа конечных элементов. Но для алгоритма многоцелевой оптимизации требуется лишь 400 точек данных, тогда как другим алгоритмам может потребоваться 20 000 или более. Поэтому авторы смогли работать со значительно меньшим, но очень качественным набором данных.