Il est difficile de prédire les propriétés d'un verre à partir de sa composition car les verres sont des structures désordonnées, comme on le voit dans cette simulation au niveau de l'atome. Un nouveau modèle d'apprentissage automatique peut prédire la densité et la rigidité des verres. Ces informations peuvent être utilisées pour concevoir de meilleures fibres de renforcement pour des matériaux composites solides et légers dans les automobiles et les éoliennes. Crédit :Groupe Qi, Université du Michigan
Un nouvel algorithme d'apprentissage automatique pour explorer les poids légers, des compositions de verre très rigides peuvent aider à concevoir des matériaux de nouvelle génération pour des véhicules et des éoliennes plus efficaces. Les verres peuvent renforcer les polymères pour générer des matériaux composites qui offrent des résistances similaires à celles des métaux mais avec moins de poids.
Liang Qi, professeur de science et d'ingénierie des matériaux à l'U-M, répondu aux questions sur le nouveau papier de son groupe en Matériaux de calcul npj .
Qu'est-ce que la rigidité élastique? Élastique et verre ne semblent pas être deux mots qui vont ensemble.
Tous les matériaux solides, y compris le verre, ont une propriété appelée rigidité élastique, également appelée module d'élasticité. C'est une mesure de la force par unité de surface nécessaire pour plier ou étirer le matériau. Si ce changement est élastique, le matériau peut totalement retrouver sa forme et sa taille d'origine une fois que vous arrêtez la force.
Pourquoi voulons-nous des lunettes légères et très rigides ?
La rigidité élastique est essentielle pour tous les matériaux dans les applications structurelles. Une rigidité plus élevée signifie que vous pouvez supporter la même charge de force avec un matériau plus fin. Par exemple, le verre structurel des pare-brise des voitures, et dans les écrans tactiles des smartphones et autres écrans, peut être rendu plus fin et plus léger si les verres sont plus rigides. Les composites en fibre de verre sont des matériaux légers largement utilisés pour les voitures, camions et éoliennes, et nous pouvons rendre ces pièces encore plus légères.
Les véhicules plus légers peuvent aller plus loin avec un gallon d'essence - six à huit pour cent de plus pour une réduction de poids de dix pour cent, selon l'Office of Energy Efficiency and Renewable Energy des États-Unis. La réduction de poids peut également augmenter considérablement l'autonomie des véhicules électriques.
Briquet, un verre plus rigide peut permettre aux pales d'éoliennes de transférer plus efficacement l'énergie éolienne en électricité, car moins d'énergie éolienne est « gaspillée » pour faire tourner les pales. Il peut également permettre des pales d'éoliennes plus longues, qui peut produire plus d'électricité sous la même vitesse de vent.
Quels sont les défis en essayant de concevoir des lunettes légères mais résistantes ?
Parce que les verres sont des matériaux amorphes ou désordonnés, il est difficile de prédire leurs structures atomistiques et les propriétés physico-chimiques correspondantes. Nous utilisons des simulations informatiques pour accélérer l'étude des lunettes, mais ils nécessitent tellement de temps de calcul qu'il est impossible d'étudier chaque composition de verre possible.
L'autre problème est que nous ne disposons pas de suffisamment de données sur les compositions de verre pour que l'apprentissage automatique soit efficace pour prédire les propriétés du verre pour de nouvelles compositions de verre. Les algorithmes de machine learning sont alimentés en données, et ils trouvent des modèles dans les données qui leur permettent de faire des prédictions. Mais sans assez de bonnes données d'entraînement, leurs prédictions ne sont pas fiables, tout comme un sondage politique mené dans l'Ohio ne peut prédire les élections au Michigan.
Comment avez-vous surmonté ces barrières ?
D'abord, nous avons utilisé des simulations informatiques à haut débit existantes pour générer des données sur les densités et les rigidités élastiques de divers verres. Seconde, nous avons développé le modèle d'apprentissage automatique qui convient mieux à une petite quantité de données, car nous n'avions toujours pas beaucoup de données selon les normes d'apprentissage automatique. Nous l'avons conçu de manière à ce qu'il prête attention à la force de l'interaction entre les atomes. En substance, nous avons utilisé la physique pour lui donner des indices sur ce qui était important dans les données, et cela améliore la qualité de ses prédictions pour les nouvelles compositions.
Que peut faire votre modèle ?
Pendant que nous entraînions notre modèle d'apprentissage automatique avec des verres en dioxyde de silicium et un ou deux autres additifs, nous avons constaté qu'il pouvait prédire avec précision la légèreté et la rigidité élastique de verres plus complexes, avec plus de dix composants différents. Il peut en filtrer jusqu'à 100, 000 compositions différentes à la fois.
Quelles sont les prochaines étapes?
La légèreté et la rigidité élastique ne sont que deux propriétés importantes dans la conception des verres. Nous devons également connaître leur force, dureté, et leurs températures de fusion. En partageant ouvertement nos données et nos méthodes, nous espérons inspirer le développement de nouveaux modèles dans la communauté de recherche sur le verre.
