Des chercheurs du Département de science et d'ingénierie des matériaux de l'Université Texas A&M ont utilisé un cadre de sélection de matériaux d'intelligence artificielle (AIMS) pour découvrir un nouvel alliage à mémoire de forme. L'alliage à mémoire de forme a montré la plus grande efficacité en fonctionnement atteinte jusqu'à présent pour les matériaux à base de nickel-titane. De plus, leur cadre basé sur les données offre une preuve de concept pour le développement futur de matériaux.

Cette étude a récemment été publiée dans Acta Materialia journal.

Les alliages à mémoire de forme sont utilisés dans divers domaines où des actionneurs compacts, légers et à semi-conducteurs sont nécessaires, remplaçant les actionneurs hydrauliques ou pneumatiques car ils peuvent se déformer à froid puis reprendre leur forme d'origine lorsqu'ils sont chauffés. Cette propriété unique est essentielle pour les applications telles que les ailes d'avion, les moteurs à réaction et les composants automobiles, qui doivent résister à des changements de forme répétés et récupérables.

Il y a eu de nombreux progrès dans les alliages à mémoire de forme depuis leurs débuts au milieu des années 1960, mais à un coût. Comprendre et découvrir de nouveaux alliages à mémoire de forme a nécessité des recherches approfondies par le biais d'expérimentations et d'essais et d'erreurs ad hoc. Malgré de nombreux documents qui ont été documentés pour aider à d'autres applications d'alliages à mémoire de forme, de nouvelles découvertes d'alliages se sont produites de manière décennale. Environ tous les 10 ans, une composition ou un système d'alliage à mémoire de forme significatif a été découvert. De plus, même avec les progrès des alliages à mémoire de forme, ils sont gênés par leur faible efficacité énergétique, causée par des incompatibilités dans leur microstructure lors du changement de forme important. De plus, ils sont notoirement difficiles à concevoir à partir de zéro.

Pour remédier à ces lacunes, les chercheurs de Texas A&M ont combiné des données expérimentales pour créer un cadre de calcul AIMS capable de déterminer des compositions de matériaux optimales et de traiter ces matériaux, ce qui a conduit à la découverte d'une nouvelle composition d'alliage à mémoire de forme.

"Lors de la conception de matériaux, vous avez parfois plusieurs objectifs ou contraintes qui entrent en conflit, ce qui est très difficile à contourner", a déclaré le Dr Ibrahim Karaman, professeur Chevron I et chef du département de science et d'ingénierie des matériaux. "Grâce à notre cadre d'apprentissage automatique, nous pouvons utiliser des données expérimentales pour trouver des corrélations cachées entre les caractéristiques de différents matériaux afin de voir si nous pouvons concevoir de nouveaux matériaux."

L'alliage à mémoire de forme trouvé au cours de l'étude à l'aide d'AIMS a été prédit et prouvé pour atteindre l'hystérésis la plus étroite jamais enregistrée. En d'autres termes, le matériau présentait la plus faible perte d'énergie lors de la conversion de l'énergie thermique en travail mécanique. Le matériau a présenté une efficacité élevée lorsqu'il est soumis à un cycle thermique en raison de sa fenêtre de température de transformation extrêmement petite. Le matériau présentait également une excellente stabilité cyclique sous actionnement répété.

Une composition nickel-titane-cuivre est typique des alliages à mémoire de forme. Les alliages nickel-titane-cuivre ont typiquement du titane égal à 50% et forment un matériau monophasé. En utilisant l'apprentissage automatique, les chercheurs ont prédit une composition différente avec du titane égal à 47 % et du cuivre égal à 21 %. Bien que cette composition se trouve dans la région à deux phases et forme des particules, elles contribuent à améliorer les propriétés du matériau, a expliqué William Trehern, doctorant et assistant de recherche diplômé au département de science et génie des matériaux, et premier auteur de la publication.

En particulier, cet alliage à mémoire de forme à haut rendement se prête à la récupération d'énergie thermique, qui nécessite des matériaux capables de capter l'énergie perdue produite par les machines et de l'utiliser, et au stockage d'énergie thermique, qui est utilisé pour refroidir les appareils électroniques.

Plus particulièrement, le cadre AIMS offre la possibilité d'utiliser des techniques d'apprentissage automatique en science des matériaux. Les chercheurs voient le potentiel de découvrir davantage de chimies d'alliages à mémoire de forme avec les caractéristiques souhaitées pour diverses autres applications.

"C'est une révélation d'utiliser l'apprentissage automatique pour trouver des connexions que notre cerveau ou des principes physiques connus peuvent ne pas être en mesure d'expliquer", a déclaré Karaman. "Nous pouvons utiliser la science des données et l'apprentissage automatique pour accélérer le rythme de découverte des matériaux. Je pense également que nous pouvons potentiellement découvrir de nouvelles physiques ou de nouveaux mécanismes derrière le comportement des matériaux que nous ne connaissions pas auparavant si nous prêtons attention aux connexions que l'apprentissage automatique peut trouver. "

Parmi les autres contributeurs figurent le Dr Raymundo Arróyave et le Dr Kadri Can Atli, professeurs au département de science et génie des matériaux, et l'étudiant de premier cycle en science et génie des matériaux Risheil Ortiz-Ayala.

"Alors que l'apprentissage automatique est désormais largement utilisé dans la science des matériaux, la plupart des approches à ce jour se concentrent sur la prédiction des propriétés d'un matériau sans nécessairement expliquer comment le traiter pour atteindre les propriétés cibles", a déclaré Arróyave. "Ici, le cadre a examiné non seulement la composition chimique des matériaux candidats, mais également le traitement nécessaire pour atteindre les propriétés d'intérêt." + Explorer plus loin

Un alliage qui conserve sa mémoire à haute température