Le processus de fabrication des matériaux est compliqué, chronophage et coûteux. Trop d'un seul matériau, ou trop peu, peut créer des problèmes avec le produit, forçant le processus de conception à recommencer. Des progrès dans le processus de conception sont nécessaires pour réduire le coût et le temps nécessaires à la production de matériaux aux propriétés ciblées.

Financé par la National Science Foundation (NSF), les chercheurs de la Texas A&M University utilisent des techniques avancées de calcul et d'apprentissage automatique pour créer un cadre capable d'optimiser le processus de développement de matériaux, réduire le temps et les coûts.

"Notre objectif général est de travailler sur la conception de matériaux en tenant compte des relations processus-structure-propriété pour produire des matériaux avec des propriétés ciblées, " a déclaré le Dr Douglas Allaire, professeur agrégé au Département de génie mécanique J. Mike Walker '66. « Dans notre travail, nous démontrons une conception d'alliages sensible à la microstructure avec un cadre d'optimisation bayésien capable d'exploiter de multiples sources d'informations."

Les cadres basés sur l'optimisation bayésienne utilisent les connaissances antérieures comme modèles pour prédire les résultats. Autrefois, les chercheurs ont utilisé ce cadre en corrélation avec une seule source d'information (simulation ou expérimentation). Si cette méthode échoue, le processus recommence avec l'espoir de faire les bons ajustements sur la base de ce modèle.

Les chercheurs ont rejeté cette notion et pensent plutôt que de nombreuses sources d'informations peuvent être extraites à l'aide d'un cadre bayésien pour développer une image plus complète des processus sous-jacents. Ils ont combiné plusieurs sources d'informations pour créer des matériaux avec des propriétés ciblées plus efficacement en examinant les données dans leur intégralité plutôt que leurs parties.

"Ce que nous pensons, c'est très différent, est que vous pouvez avoir de nombreux modèles ou sources d'information potentiels différents, " a déclaré le Dr Raymundo Arróyave, professeur au Département de science et génie des matériaux. « Il existe de nombreuses façons de comprendre/modéliser le comportement des matériaux, soit par des expériences ou des simulations. Notre idée est de combiner tous ces différents modèles en un seul, modèle « fusionné » qui combine les points forts de tous les autres modèles tout en réduisant leurs faiblesses individuelles."

Leurs recherches, intitulé « Exploiter efficacement les relations processus-structure-propriété dans la conception de matériaux par la fusion de plusieurs sources d'informations, " a été récemment publié dans le Vol. 26 de la Acta Materialia journal.

"Ces chaînes de modèles n'ont historiquement pas pris en compte l'étendue des sources d'informations disponibles, " a déclaré Allaire. " Ils considèrent des modèles uniques le long de la chaîne du processus, par la structure, à la propriété. Par conséquent, ils ne sont pas aussi efficaces ou précis qu'ils pourraient l'être."

Les chercheurs testent actuellement ce cadre en développant des aciers biphasés généralement utilisés sur les châssis automobiles. Les aciers biphasés sont constitués de deux phases aux propriétés très différentes et complémentaires.

"Il y a deux phases; la phase martensitique rend cet acier particulier très résistant, " a déclaré Arróyave. "La phase ferritique est plus douce et rend l'acier plus souple et plus apte à la déformation. Avec uniquement des microstructures martensitiques, ces matériaux sont solides, mais ils cassent facilement. Cependant, si vous combinez la résistance de la martensite avec la ductilité de la ferrite, vous pouvez fabriquer des aciers très résistants, peut absorber de l'énergie lors de l'impact et qui peut être fabriqué sous des formes complexes telles que des cadres de voiture."

En utilisant la méthode développée dans ce travail, l'objectif est de développer un cadre qui prédit plus précisément et efficacement la composition et le traitement (recette) nécessaires pour une conception spécifique. À son tour, cela diminue le nombre de simulations et d'expériences nécessaires, réduire drastiquement les coûts.

« La connaissance que nous acquérons sur le processus de conception de matériaux dans son ensemble à l'aide de notre cadre est bien supérieure à la somme de toutes les informations extraites de modèles individuels ou de techniques expérimentales, " a déclaré le Dr Ankit Srivastava, professeur adjoint au département de science et génie des matériaux. "Le cadre permet aux chercheurs d'apprendre efficacement au fur et à mesure, car non seulement il collecte et fusionne les informations de plusieurs modèles/expériences, mais il leur indique également quelle source d'informations, c'est-à-dire un modèle ou une expérience en particulier leur offre le meilleur rapport qualité-prix ou temps, ce qui améliore vraiment le processus de prise de décision."

À l'avenir, ils espèrent que leur cadre sera largement utilisé lors de la tentative de tâches impliquant la conception de matériaux informatiques intégrés.

« Notre espoir est qu'en présentant ces capacités d'optimisation bayésienne basées sur la fusion de modèles, nous rendrons le processus de recherche de nouveaux matériaux plus efficace et précis, " a déclaré Allaire. " Nous voulons que tout chercheur utilise les modèles dont il dispose sans se soucier autant de la façon d'intégrer les modèles dans sa propre chaîne de modélisation, car notre cadre d'optimisation bayésien gère cette intégration pour eux. "