L'optimisation des composites avancés pour des utilisations finales spécifiques peut être coûteuse et chronophage, obligeant les fabricants à tester de nombreux échantillons pour arriver à la meilleure formulation. Les chercheurs de la NYU Tandon School of Engineering ont conçu un système d'apprentissage automatique utilisant des réseaux de neurones artificiels (ANN) capables d'extrapoler à partir de données dérivées d'un seul échantillon, formulant et fournissant ainsi rapidement des analyses sur des composites avancés théoriques améliorés au graphène.

L'oeuvre, dirigé par Nikhil Gupta, professeur agrégé de génie mécanique et aérospatial à NYU Tandon, avec doctorat étudiant Xianbo Xu et collaborateurs du fabricant de matériaux de graphène 2-D GrapheneCa, est détaillé dans "Approche de réseau de neurones artificiels pour prédire le module élastique à partir des résultats d'analyse mécanique dynamique, " qui figurera sur la couverture intérieure du journal Théorie avancée et simulations .

Les essais de traction et l'analyse mécanique dynamique (DMA) sont largement utilisés pour caractériser les propriétés viscoélastiques des matériaux à différentes vitesses de chargement et températures. Mais cela nécessite une campagne expérimentale élaborée impliquant un grand nombre d'échantillons.

L'équipe Tandon a trouvé un moyen de contourner ce processus en concevant une approche basée sur l'ANN qui construit un modèle, puis l'alimente en données de DMA - un test de la réponse d'un matériau à une température et une fréquence de chargement données (une mesure de la charge appliquée en cycles ) - pour prédire comment il réagira à toute autre combinaison de température et de pression. Gupta a expliqué que l'ANN a extrapolé à partir des mesures de la capacité des échantillons à stocker et à dissiper l'énergie dans différentes conditions.

« Tester des matériaux dans différentes conditions au cours du cycle de développement du produit est un coût majeur pour les fabricants qui tentent de créer des composites pour de nombreuses applications, " a noté Gupta. " Ce système nous permet d'effectuer un test, puis de prédire les propriétés dans d'autres conditions. Cela réduit donc considérablement le nombre d'expérimentations nécessaires."

"L'application d'une approche de réseau de neurones artificiels pour prédire les propriétés des nanocomposites peut aider à développer une approche où la modélisation peut guider le développement de matériaux et d'applications et réduire le coût au fil du temps, " continua Gupta.

"En travaillant avec les chercheurs du département de génie mécanique et aérospatial de NYU Tandon, nous avons développé une nouvelle méthode pour prédire le comportement des nanocomposites thermodurcissables sur une large gamme de températures et de taux de chargement, " a déclaré le Dr Sergey Voskresensky, Responsable de la recherche et du développement du site de production de GrapheneCa basé à New York. "En outre, la même approche peut potentiellement être appliquée pour prédire un comportement des matériaux thermoplastiques. Il s'agit d'une étape critique vers la production de composites avancés."