
Ein Bild der vollständigen Gittergeometrie wird einem 18,75-Millionen-Zellen-Gitter gegenübergestellt, das auf einer Blase schwebt. (Bild: Peter Serles)
Forscher der Fakultät für angewandte Wissenschaften und Ingenieurwesen der Universität Toronto haben mit Hilfe maschineller Lernverfahren Nanomaterialien entwickelt, die die Festigkeit von Kohlenstoffstahl aufweisen, aber so leicht sind wie Polystyrol.
In einer neuen Veröffentlichung in der Zeitschrift Advanced Materials beschreibt ein Team unter der Leitung von Professor Tobin Filleter, wie sie Nanomaterialien mit Eigenschaften hergestellt haben, die eine widersprüchliche Kombination aus außergewöhnlicher Festigkeit, Leichtigkeit und Anpassungsfähigkeit bieten. Dieser Ansatz könnte einer Vielzahl von Branchen zugutekommen, von der Automobilindustrie bis zur Luft- und Raumfahrt.
„Nanomaterialien kombinieren hochleistungsfähige Formen, wie zum Beispiel eine Brücke aus Dreiecken, in Nanogröße und nutzen den Effekt 'kleiner ist stärker', um einige der höchsten Festigkeit/Gewicht- und Steifigkeit/Gewicht-Verhältnisse aller Materialien zu erreichen“, sagt Peter Serles, der Erstautor der neuen Arbeit.
„Die verwendeten Standardgitterformen und -geometrien haben jedoch meist scharfe Schnittpunkte und Ecken, was zu dem Problem der Spannungskonzentration führt. Dies führt zu vorzeitigem lokalem Versagen und Bruch der Materialien und schränkt ihr Gesamtpotenzial ein.
„Als ich über diese Herausforderung nachdachte, wurde mir klar, dass dies ein perfektes Problem für maschinelles Lernen ist.“
Materialien mit Nanoarchitektur bestehen aus winzigen Bausteinen oder sich wiederholenden Einheiten, die nur wenige hundert Nanometer groß sind - man bräuchte mehr als 100 von ihnen in einer Reihe, um die Dicke eines menschlichen Haars zu erreichen. Diese Bausteine, in diesem Fall aus Kohlenstoff, sind in komplexen dreidimensionalen Strukturen, so genannten Nanogittern, angeordnet.
Um ihre verbesserten Materialien zu entwickeln, arbeiteten Serles und Filleter mit Professor Seunghwa Ryu und dem Doktoranden Jinwook Yeo vom Korea Advanced Institute of Science & Technology (KAIST) in Daejeon, Südkorea, zusammen. Die Partnerschaft wurde im Rahmen des Programms International Doctoral Clusters der Universität Toronto initiiert, das die Doktorandenausbildung durch die Zusammenarbeit mit internationalen Partnern unterstützt.
Das KAIST-Team verwendete den maschinellen Lernalgorithmus der multikriteriellen Bayes-Optimierung. Dieser Algorithmus lernt aus simulierten Geometrien, um die bestmöglichen Geometrien zur Verbesserung der Spannungsverteilung und des Verhältnisses zwischen Festigkeit und Gewicht von nanoarchitektonischen Strukturen vorherzusagen.
Serles nutzte dann einen 3D-Drucker mit Zwei-Photonen-Polymerisation, der im Forschungs- und Anwendungszentrum für Strömungstechnik (CRAFT) steht, um Prototypen für die experimentelle Validierung herzustellen. Diese additive Fertigungstechnologie ermöglicht den 3D-Druck im Mikro- und Nanobereich, wodurch optimierte Kohlenstoff-Nanogitter erzeugt werden.
Diese optimierten Nanogitter haben die Festigkeit bestehender Konstruktionen mehr als verdoppelt und halten einer Belastung von 2,03 Mega Pascal pro Kubikmeter und Kilogramm ihrer Dichte stand, was etwa fünfmal mehr ist als bei Titan.
„Dies ist das erste Mal, dass maschinelles Lernen zur Optimierung von Materialien mit Nanoarchitektur eingesetzt wurde, und wir waren von den Verbesserungen schockiert“, sagt Serles. „Das Programm reproduzierte nicht nur erfolgreiche Geometrien aus den Trainingsdaten, sondern lernte auch, welche Änderungen an den Formen funktionierten und welche nicht, so dass es völlig neue Gittergeometrien vorhersagen konnte.
„Maschinelles Lernen ist in der Regel sehr datenintensiv, und es ist schwierig, große Datenmengen zu generieren, wenn qualitativ hochwertige Daten aus der Finite-Elemente-Analyse verwendet werden. Der Algorithmus für die multikriterielle Bayes-Optimierung benötigte jedoch nur 400 Datenpunkte, während andere Algorithmen 20.000 oder mehr Punkte benötigen. Wir konnten also mit einem viel kleineren, aber extrem hochwertigen Datensatz arbeiten.
„Wir hoffen, dass diese neuen Materialdesigns letztendlich zu ultraleichten Komponenten in Luft- und Raumfahrtanwendungen wie Flugzeugen, Hubschraubern und Raumfahrzeugen führen, die den Treibstoffverbrauch während des Fluges reduzieren können, ohne die Sicherheit und Leistung zu beeinträchtigen“, sagt Filleter. „Dies kann letztlich dazu beitragen, den hohen Kohlenstoff-Fußabdruck des Fliegens zu verringern.
„Würde man beispielsweise Titanbauteile in einem Flugzeug durch dieses Material ersetzen, könnte man pro Kilogramm ersetzten Materials 80 Liter Treibstoff pro Jahr einsparen“, ergänzt Serles.
An dem Projekt waren auch die Professoren Yu Zou, Chandra Veer Singh, Jane Howe und Charles Jia sowie internationale Mitarbeiter vom Karlsruher Institut für Technologie (KIT) in Deutschland, dem Massachusetts Institute of Technology (MIT) und der Rice University in den USA beteiligt.
„Dies war ein vielschichtiges Projekt, das verschiedene Elemente der Materialwissenschaft, des maschinellen Lernens, der Chemie und der Mechanik zusammenbrachte, um zu verstehen, wie diese Technologie verbessert und umgesetzt werden kann“, sagt Serles, der jetzt Schmidt-Stipendiat am California Institute of Technology (Caltech) ist. „Unsere nächsten Schritte werden sich darauf konzentrieren, die Skalierung dieser Materialdesigns weiter zu verbessern, um kosteneffiziente Bauteile im Makromaßstab zu ermöglichen“, fügt Filleter hinzu. „Wir werden auch weiterhin neue Designs erforschen, um die Dichte der Materialarchitekturen noch weiter zu verringern und gleichzeitig eine hohe Festigkeit und Steifigkeit beizubehalten“.