Materiali nanostrutturati progettati con ML e stampa 3D

La University of Toronto ha annunciato che il suo team di ricerca, guidato dalla Facoltà di Scienze Applicate e Ingegneria, ha progettato materiali nanostrutturati utilizzando il machine learning e la stampa 3D. Questi materiali offrono un’eccezionale combinazione di resistenza, leggerezza e personalizzazione, con una resistenza comparabile a quella dell’acciaio al carbonio e una densità simile a quella del polistirolo.

In uno studio pubblicato su Advanced Materials, il team del professor Tobin Filleter descrive come i materiali siano stati progettati e ottimizzati, combinando approcci interdisciplinari per sviluppare soluzioni che potrebbero rivoluzionare settori come l’automotive e l’aerospaziale.

“I materiali nanostrutturati sfruttano geometrie ad alte prestazioni, simili a ponti costruiti con triangoli, su scala nanometrica. Questo consente di ottenere alcuni dei più alti rapporti resistenza/peso e rigidità/peso mai visti,” ha spiegato Peter Serles, autore principale dello studio. Tuttavia, le geometrie tradizionali spesso presentano spigoli e intersezioni che concentrano le sollecitazioni, riducendo la resistenza complessiva e aumentando il rischio di cedimenti locali. “Di fronte a questa sfida, ho capito che il problema era perfetto per essere affrontato con il machine learning,” ha aggiunto.

I materiali nanostrutturati sono costituiti da minuscoli blocchi costruttivi, o unità ripetute, di dimensioni nell’ordine di poche centinaia di nanometri. In questo caso, questi blocchi, composti di carbonio, sono disposti in strutture 3D complesse note come nanolattice.

Per progettare questi materiali migliorati, Serles e Filleter hanno collaborato con il professor Seunghwa Ryu e il dottorando Jinwook Yeo del Korea Advanced Institute of Science & Technology (KAIST) di Daejeon, in Corea del Sud. Questa partnership è stata avviata grazie al programma International Doctoral Clusters della University of Toronto, che supporta la formazione dei dottorandi attraverso collaborazioni di ricerca con partner internazionali.

Il team del KAIST ha utilizzato un algoritmo di machine learning chiamato multi-objective Bayesian optimization. Questo algoritmo ha analizzato geometrie simulate per prevedere le configurazioni ottimali in grado di migliorare la distribuzione delle sollecitazioni e il rapporto resistenza/peso dei design nanostrutturati.

Successivamente, Serles ha utilizzato una stampante 3D a polimerizzazione a due fotoni, situata presso il Centre for Research and Application in Fluidic Technologies (CRAFT), per creare prototipi destinati alla validazione sperimentale. Questa tecnologia consente la stampa 3D su scala micro e nanometrica, permettendo la creazione di nanolattice in carbonio ottimizzato.

Questi nanolattice ottimizzati hanno più che raddoppiato la resistenza rispetto ai design precedenti, sopportando una pressione di 2,03 megapascal per ogni metro cubo per chilogrammo della loro densità, circa cinque volte superiore rispetto al titanio.

“È la prima volta che il machine learning viene applicato per ottimizzare materiali nanostrutturati, e i miglioramenti ci hanno sorpreso,” ha dichiarato Serles. “L’algoritmo non si è limitato a replicare geometrie di successo già note nei dati di addestramento: ha capito cosa funzionava e cosa no, riuscendo a prevedere configurazioni di reticolo completamente nuove. Normalmente, il machine learning richiede molti dati, ma è difficile generarne di alta qualità utilizzando analisi agli elementi finiti. Tuttavia, l’algoritmo di multi-objective Bayesian optimization ha richiesto solo 400 dati, rispetto ai 20.000 o più necessari per altri algoritmi. Questo ci ha permesso di lavorare con un set di dati molto più piccolo, ma estremamente accurato.”

“Ci auguriamo che questi nuovi design di materiali possano portare, in futuro, alla realizzazione di componenti ultraleggeri per applicazioni aerospaziali, come aerei, elicotteri e veicoli spaziali, riducendo il consumo di carburante durante il volo e mantenendo alti livelli di sicurezza e prestazioni,” ha dichiarato Filleter.

“Ciò potrebbe contribuire a ridurre l’elevata impronta di carbonio del trasporto aereo. Ad esempio, sostituendo componenti in titanio su un aereo con questo materiale, si potrebbe ottenere un risparmio di 80 litri di carburante all’anno per ogni chilogrammo di materiale sostituito,” ha aggiunto Serles.

Al progetto hanno partecipato anche i professori Yu Zou (MSE), Chandra Veer Singh (MSE), Jane Howe (MSE, ChemE) e Charles Jia (ChemE), oltre a collaboratori internazionali del Karlsruhe Institute of Technology (KIT) in Germania, del Massachusetts Institute of Technology (MIT) e della Rice University negli Stati Uniti.

“Questo è stato un progetto multidisciplinare che ha integrato elementi di scienza dei materiali, machine learning, chimica e meccanica, aiutandoci a comprendere come migliorare e implementare questa tecnologia,” ha spiegato Serles, ora Schmidt Science Fellow presso il California Institute of Technology (Caltech).

“I nostri prossimi passi si concentreranno sull’ulteriore ottimizzazione della scalabilità di questi design per consentire la realizzazione di componenti macroscopici a costi contenuti,” ha concluso Filleter. “Inoltre, continueremo a esplorare nuovi design che riducano ulteriormente la densità dei materiali, mantenendo alti livelli di resistenza e rigidità.”