Investigadores de la Facultad de Ciencia Aplicada e Ingeniería de la Universidad de Toronto han logrado diseñar materiales nano-arquitectónicos que combinan la resistencia del acero al carbono con la ligereza del poliestireno expandido, gracias a la aplicación de técnicas de aprendizaje automático. Este avance, publicado en la revista Advanced Materials, abre nuevas posibilidades en diversas industrias, desde la automotriz hasta la aeroespacial.
Innovaciones en materiales nano-arquitectónicos
El equipo, liderado por el profesor Tobin Filleter, ha desarrollado nanomateriales con propiedades excepcionales que ofrecen una combinación poco común de resistencia, ligereza y personalización. Según Peter Serles, primer autor del estudio, los materiales nano-arquitectónicos aprovechan el fenómeno de que «lo pequeño es más fuerte», permitiendo la creación de estructuras que maximizan la relación entre resistencia y peso.
No obstante, las geometrías de celosía utilizadas tradicionalmente presentan intersecciones y esquinas afiladas que generan concentraciones de tensión, lo que puede llevar a fallos locales prematuros. Al identificar este desafío, Serles propuso que el aprendizaje automático podría ser la solución ideal.
Los materiales en cuestión están compuestos por bloques de construcción diminutos que miden unos pocos cientos de nanómetros, con más de 100 de ellos alineados para alcanzar el grosor de un cabello humano. Estos bloques, compuestos de carbono, se organizan en estructuras 3D complejas conocidas como nanocelosías.
Para diseñar estos materiales mejorados, el equipo colaboró con el profesor Seunghwa Ryu y el estudiante de doctorado Jinwook Yeo del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST), en Daejeon, Corea del Sur. Esta colaboración se facilitó a través del programa de Clústeres Internacionales de Doctorado de la Universidad de Toronto, que apoya la formación doctoral mediante el compromiso en investigaciones con colaboradores internacionales.
El equipo de KAIST utilizó un algoritmo de optimización bayesiana multiobjetivo que aprende de las geometrías simuladas para predecir las mejores configuraciones que optimizan la distribución del estrés y mejoran la relación resistencia-peso de los diseños nano-arquitectónicos. Posteriormente, Serles utilizó una impresora 3D de polímeros de dos fotones para crear prototipos que validaran experimentalmente sus descubrimientos.
Las nanocelosías optimizadas lograron más del doble de resistencia en comparación con los diseños existentes, soportando una tensión de 2.03 megapascales por cada metro cúbico por kilogramo de su densidad, lo que representa aproximadamente cinco veces más que el titanio.
Este es el primer caso en que se aplica el aprendizaje automático para optimizar materiales nano-arquitectónicos, y los resultados sorprendieron a los investigadores. El algoritmo no solo replicó geometrías exitosas de los datos de entrenamiento, sino que aprendió de las modificaciones realizadas en las formas, lo que le permitió predecir nuevas configuraciones de celosía.
El aprendizaje automático, a menudo intensivo en datos, se beneficia en este caso porque el algoritmo utilizado solo necesitó 400 puntos de datos, en contraposición a los 20,000 que podrían requerir otros métodos. Esto permitió trabajar con un conjunto de datos más pequeño pero de alta calidad.
Los investigadores esperan que estos nuevos diseños de materiales conduzcan eventualmente a componentes ultraligeros en aplicaciones aeroespaciales, como aviones, helicópteros y naves espaciales, que reduzcan la demanda de combustible durante el vuelo mientras mantienen la seguridad y el rendimiento. La sustitución de componentes de titanio en un avión por este nuevo material podría traducirse en un ahorro de 80 litros de combustible al año por cada kilogramo de material reemplazado.
Los contribuyentes al proyecto incluyen a profesores de la Universidad de Toronto y colaboradores internacionales de instituciones como el Instituto de Tecnología de Karlsruhe (KIT) en Alemania, el Instituto Tecnológico de Massachusetts (MIT) y la Universidad Rice en los Estados Unidos.
Este proyecto multifacético ha reunido elementos de ciencia de materiales, aprendizaje automático, química y mecánica para mejorar e implementar esta tecnología. Los próximos pasos se centrarán en escalar estos diseños de materiales para permitir la producción de componentes a gran escala de manera rentable, así como explorar nuevas configuraciones que reduzcan aún más la densidad del material sin comprometer su resistencia y rigidez.
