دانشمندان آلیاژی ساختند که موتورهای جت را متحول میکند
پژوهشگران دانشکده مهندسی دانشگاه تورنتو موفق شدهاند با کمک یک سامانه مبتنی بر هوش مصنوعی، شش آلیاژ فلزی جدید طراحی کنند که میتوانند دوام قطعات مورد استفاده در موتورهای جت، نیروگاههای هستهای و دیگر محیطهای بسیار سخت را افزایش دهند.
نتایج تحقیق نشان دادند این پلتفرم هوشمند تنها طی چند هفته توانست آلیاژهای امیدوارکننده را شناسایی کند و روند یافتن مواد پیشرفته را نسبت به روشهای رایج به شکل قابل توجهی سرعت ببخشد.
این آلیاژهای تازه با فناوری چاپ سهبعدی فلزات نیز سازگاری بالایی دارند. به همین دلیل میتوان از آنها برای تولید قطعاتی با هندسههای پیچیده استفاده کرد؛ قطعاتی که ساختشان با روشهای سنتی تولید یا بسیار دشوار است یا اصلاً امکانپذیر نیست.
هوش مصنوعی مسیر کشف آلیاژهای جدید را کوتاه کرد
این پروژه به سرپرستی یو زو، دارنده کرسی پژوهشی کانادا در حوزه مواد و تولید برای محیطهای فوقالعاده سخت، انجام شد. او به همراه جیسون هتریک-سیمپرز سامانهای طراحی کرده که با بهرهگیری از شبیهسازی رایانهای، یادگیری ماشین و رباتها، فرآیند ساخت و ارزیابی مواد جدید را به صورت خودکار پیش میبرد.
این روش که یادگیری فعال نام دارد، عملکردی شبیه یک آزمایشگاه خودران دارد. به جای آنکه هزاران ترکیب فلزی به صورت دستی آزمایش شوند، سامانه هوشمند مناسبترین گزینهها را انتخاب کرده، آنها را تولید میکند، عملکردشان را مورد ارزیابی قرار میدهد و سپس نتایج بهدستآمده را برای تعیین آزمایشهای بعدی به کار میگیرد.
یو زو در توضیح اهمیت این پژوهش گفت که صنایع مختلف به موادی نیاز دارند که بتوانند نوسانات بسیار شدید دما و فشار را تحمل کنند؛ شرایطی که در داخل موتورهای جت یا مولدهای بخار نیروگاههای هستهای وجود دارد و فولادهای معمولی قادر به دوام آوردن در آن نیستند.
او همچنین افزود که علاوه بر این، به موادی احتیاج داریم که امکان تولید آنها به صورت لایهبهلایه با چاپ سهبعدی وجود داشته باشد تا بتوان قطعاتی ساخت که با فناوریهای مرسوم قابل تولید نیستند. برای نمونه، اگر هدف دستیابی به مادهای سبک و در عین حال مقاوم باشد، میتوان ترکیب شیمیایی بخشهای مختلف قطعه را تغییر داد؛ به گونهای که قسمت بیرونی از آلیاژی سخت و مقاوم تشکیل گردد و لایههای داخلی نرمتر و سبکتر باشند.
بخشی از هزینههای این طرح از سوی کنسرسیوم شتابدهی دانشگاه تورنتو تأمین شد؛ مجموعهای که از هوش مصنوعی و سامانههای خودکار برای تسریع روند کشف مواد نوین استفاده میکند.
یادگیری فعال بدون نیاز به حجم عظیم دادهها
بیشتر سامانههای مبتنی بر هوش مصنوعی برای ارائه پیشبینیهای دقیق به حجم زیادی از دادههای آزمایشگاهی نیاز دارند. این موضوع زمانی به یک مانع جدی تبدیل میشود که پژوهشگران قصد بررسی موادی را داشته باشند که تاکنون اطلاعات کافی درباره آنها ثبت نشده است.
آجای تالبوت، دانشجوی دکتری و نویسنده اصلی این مطالعه، توضیح داد که یکی از مشکلات رایج در طراحی مواد با استفاده از هوش مصنوعی این است که اغلب مدلهای یادگیری ماشین برای آموزش به دادههای فراوان درباره ویژگیهای مواد وابسته هستند. اما زمانی که پژوهشگران وارد بخشهایی از فضای طراحی میشوند که پیشتر بررسی نشده، چنین دادههایی وجود ندارد و در عمل باید بدون اطلاعات کافی پیش بروند.
او ادامه داد که برای عبور از این محدودیت، پژوهشگران از مدلهایی استفاده کردهاند که با دادههای اندک نیز قادر به تصمیمگیری هستند. مدل یادگیری فعال تنها چند نمونه منتخب را برای ساخت و آزمایش انتخاب میکند و اطلاعات حاصل از همان آزمایشها دوباره به مدل بازمیگردد تا مشخص شود مرحله بعدی روی چه ترکیبهایی متمرکز شود. این چرخه باعث میشود روند توسعه مواد جدید با سرعت بسیار بیشتری انجام گیرد.
عملکرد بهتر آلیاژهای جدید نسبت به استانداردهای صنعتی
برای نمایش توانایی این سامانه، پژوهشگران روی آلیاژهای پیچیدهای متشکل از نیکل، کبالت و کروم تمرکز کردند. این پلتفرم خودکار ظرف چند هفته موفق شد شش ترکیب جدید را شناسایی کند که عملکرد بسیار مطلوبی از خود نشان دادند.
آجای تالبوت گفت یکی از ویژگیهایی که در این پروژه هدف قرار داده شد، حفظ مقاومت در برابر نفوذ و آسیب در دمای حدود ۶۰۰ درجه سانتیگراد بود؛ دمایی که در بخش جلویی موتورهای جت مشاهده میشود.
او توضیح داد که در حال حاضر آلیاژهای پایه نیکل مانند Inconel 625 استاندارد رایج این صنعت محسوب میشوند. با این حال، تیم تحقیقاتی آلیاژی با ترکیب ۱۲ درصد نیکل، ۶۲ درصد کبالت و ۲۶ درصد کروم تولید کرد که توانست سختی خود را در دماهای بسیار بالا بهتر حفظ کند. این آلیاژ تنها از سه عنصر تشکیل شده، اما در آزمایشهای انجامشده حدود ۴.۵ درصد عملکرد بهتری نسبت به Inconel 625 که بیش از ۱۰ عنصر مختلف در ساختارش دارد، از خود نشان داد.
پژوهشگران همچنین آلیاژ دیگری طراحی کردند که برای بخشهای داغتر موتورهای جت مناسب است؛ قسمتهایی که دما در آنها به حدود ۱۰۰۰ درجه سانتیگراد میرسد.
تالبوت در این باره توضیح داد که یکی از مشکلات اصلی در چنین دماهایی تشکیل لایه اکسیدی روی سطح فلز است؛ فرآیندی که در عمل باعث سوختن و از بین رفتن تدریجی ماده میشود.
او افزود که آلیاژی با ترکیب ۳۶ درصد نیکل، ۱۴ درصد کبالت و ۵۰ درصد کروم توانسته مقاومت بسیار بالایی در برابر اکسیداسیون در این دماها از خود نشان دهد. این ماده حتی نسبت به Inconel 625 حدود ۸۵ درصد عملکرد بهتری در مقابله با اکسید شدن دارد. هدف نهایی پژوهشگران این است که در آینده آلیاژهایی برای دماهای بالاتر، تا حدود ۱۲۰۰ درجه سانتیگراد، نیز توسعه دهند.
گام بعدی؛ طراحی آلیاژهایی با عناصر بیشتر
اعضای تیم تحقیقاتی تأکید کردند که آلیاژهای فعلی تنها نمونهای اولیه از توانایی این سامانه مبتنی بر هوش مصنوعی در کشف مواد جدید به شمار میروند.
آجای تالبوت گفت سامانه نیکل، کبالت و کروم تنها سه عنصر دارد و در مقایسه با بسیاری از آلیاژهای پیشرفته، ساختاری نسبتاً ساده محسوب میشود.
او در پایان اظهار کرد که همین نمونه ساده به خوبی نشان میدهد پلتفرم کشف خودکار مواد به صورت یک چرخه بسته عملکرد موفقی دارد. برنامه بعدی پژوهشگران افزایش پیچیدگی این آلیاژها و تولید ترکیبهایی با ۱۰ تا ۱۲ عنصر مختلف است.
به گفته او، با افزایش تعداد عناصر میتوان از سازوکارهای تقویتکننده گوناگون بهره گرفت و ویژگیهای ارزشمند بیشتری به دست آورد. به اعتقاد این پژوهشگر، هنوز مواد پیشرفته فراوانی وجود دارند که در انتظار کشف هستند.
نتایج این پژوهش در نشریه علمی npj Advanced Manufacturing منتشر شده است.
