Los científicos de Japón han desarrollado un enfoque de aprendizaje de máquinas que puede predecir los elementos y 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 livianos y de bajo consumo de energía hechos predominantemente de aluminio, pero también contienen otros elementos, como magnesio, manganeso, silicio, zinc y cobre. La combinación de los elementos y el proceso de fabricación determina la resistencia de las aleaciones a diversas tensiones.
Por ejemplo, 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 buques a presión. Las aleaciones de aluminio de la serie 7000 contienen zinc, y generalmente magnesio y cobre, y se utilizan más comúnmente en los marcos de las bicicletas.
Experimentar con varias combinaciones de elementos y procesos de fabricación para fabricar aleaciones de aluminio es un proceso largo y costoso. Para superar esto, Ryo Tamura y sus colegas del Instituto Nacional de Ciencia de los Materiales de Japón y de Toyota Motor Corporation desarrollaron una técnica de informática de materiales que alimenta los datos conocidos de las bases de datos de las aleaciones de aluminio en un modelo de aprendizaje de máquina.
Esto entrena al modelo para entender 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 recibe suficientes datos, puede entonces predecir lo que se requiere para fabricar una nueva aleación con propiedades mecánicas específicas. Todo esto sin necesidad de la aportación o supervisión de un humano.
El modelo encontró, por ejemplo, que las aleaciones de aluminio de la serie 5000 que son altamente resistentes a la tensión y a la deformación pueden ser fabricadas aumentando el contenido de manganeso y magnesio y reduciendo el contenido de aluminio.
“Este tipo de información podría ser útil para el desarrollo de nuevos materiales, incluyendo aleaciones, que satisfagan las necesidades de la industria”, dice Tamura.
El modelo emplea un método estadístico, llamado cadena de Markov Monte Carlo, que utiliza algoritmos para obtener información y luego representa los resultados en gráficos que facilitan la visualización de cómo se relacionan las diferentes variables. El enfoque de aprendizaje automático puede hacerse más fiable introduciendo un conjunto de datos más amplio durante el proceso de formación.
Noticia tomada de: TechXplore / Traducción libre del inglés por World Energy Trade
Te puede interesar:
- Minería espacial: panorama mundial actual, según ispace
- Tierras raras: ¿podrá EE. UU reducir la dependencia con China?
- Catoca, la 4ta mina de diamantes más grande del mundo disminuye su producción
