Los científicos de Japón han desarrollado un enfoque de aprendizaje automático que puede predecir los elementos y los procesos de fabricación necesarios para obtener una aleación de aluminio con propiedades mecánicas específicas y deseadas.
El enfoque, publicado en la revista Science and Technology of Advanced Materials, podría facilitar el descubrimiento de nuevos materiales.
Las aleaciones de aluminio son materiales ligeros que ahorran energía y están hechos principalmente de aluminio, pero también contienen otros elementos, como magnesio, manganeso, silicio, zinc y cobre.
La combinación de elementos y el proceso de fabricación determina qué tan resistentes son las aleaciones a diversas tensiones.
Las aleaciones de aluminio de la serie 5000 contienen magnesio y varios otros elementos y se utilizan como material de soldadura en edificios, automóviles y recipientes presurizados. Las aleaciones de aluminio de la serie 7000 contienen zinc, y generalmente magnesio y cobre, y se usan con mayor frecuencia en cuadros de bicicletas.
La combinación de elementos y proceso de fabricación determina qué tan resistentes son las aleaciones a diversas tensiones
Experimentar con varias combinaciones de elementos y procesos de fabricación para fabricar aleaciones de aluminio requiere mucho tiempo y es caro.
Ryo Tamura y sus colegas del Instituto Nacional de Ciencia de Materiales de Japón y Toyota Motor Corporation desarrollaron una técnica de informática de materiales que alimenta datos conocidos de bases de datos de aleación de aluminio en un modelo de aprendizaje automático.
Esto capacita al modelo para comprender las relaciones entre las propiedades mecánicas de las aleaciones y los diferentes elementos de los que están hechas, así como el tipo de tratamiento térmico aplicado durante la fabricación. Una vez que el modelo tiene suficientes datos, puede predecir lo que se requiere para fabricar una nueva aleación con propiedades mecánicas específicas. Todo esto sin la necesidad de intervención o supervisión de un humano.
El modelo encontró que las aleaciones de aluminio de la serie 5000 que son altamente resistentes a la tensión y la deformación se pueden realizar aumentando el contenido de manganeso y magnesio y reduciendo el contenido de aluminio.
«Este tipo de información podría ser útil para desarrollar nuevos materiales, incluidas las aleaciones, que satisfagan las necesidades de la industria», dijo Tamura en un comunicado de prensa.
El modelo emplea un método estadístico, denominado cadena de Markov Monte Carlo, que utiliza algoritmos para obtener información y luego representar los resultados en gráficos que facilitan la visualización de cómo se relacionan las diferentes variables.
El enfoque de aprendizaje automático se puede hacer más confiable ingresando un conjunto de datos más grande durante el proceso de capacitación.
Fuente: Mining.com
