Gli ingegneri aerospaziali dell’Università dell’Illinois a Urbana-Champaign hanno sviluppato uno strumento di apprendimento automatico che cattura la risposta del materiale metallico allo stress e prevede i punti critici di rottura per progettare microstrutture cristalline più resistenti.
Gli ingegneri aerospaziali del Grainger College of Engineering dell’Università dell’Illinois di Urbana-Champaign hanno creato un modello di intelligenza artificiale capace di catturare la risposta del materiale metallico allo stress e prevedere i punti critici di rottura su una scala equivalente in pixel a oltre 600 milioni di punti per pollice. Il lavoro potrebbe contribuire a progettare microstrutture cristalline più resistenti.
I metalli sono costituiti da cristalli orientati casualmente su scala microscopica. L’allineamento delle facce dei cristalli crea un numero infinito di configurazioni e pattern complessi, rendendo le simulazioni di pattern specifici difficili e costose: “Abbiamo sviluppato un algoritmo di apprendimento automatico basato sulla visione artificiale per generare campi di deformazione da simulazioni computazionali, prevedendo la risposta meccanica dei metalli policristallini utilizzando immagini dell’orientamento dei cristalli su scala microscopica” spiega il ricercatore dell’Università dell’Illinois William Noh.
Il modello dell’Università dell’Illinois che identifica le tendenze spaziali all’interno delle immagini cristalline è basato su equazioni matematiche, ma tutto è partito da approfondimenti fisici reali sui bordi dei grani e sulla rottura dei materiali, ottenuti da misurazioni sperimentali: “I dati sperimentali sono stati un punto di riferimento molto importante per capire quali dati di immagine avremmo potuto utilizzare per insegnare all’algoritmo di apprendimento automatico a prevedere i campi di deformazione. L’apprendimento automatico non è come l’occhio umano e non ha bisogno di vedere le tradizionali immagini RGB. Quello che volevamo che vedesse è come sono orientati i cristalli e quali cristalli potrebbero rompersi per primi” aggermano i ricercatori.
Prevedere le rotture nei materiali
Per risparmiare sui costi computazionali, gli ingegneri dell’University of Illinois Urbana-Champaign volevano utilizzare la minor quantità di dati possibile, pur prevedendo correttamente i campi di deformazione: “Siamo riusciti a utilizzare solo l’orientamento dei cristalli e il carico applicato al materiale. Dimostriamo che l’algoritmo di apprendimento automatico è in grado di apprendere tutta questa risposta eterogenea del materiale a livello di microstruttura con solo una piccola quantità di informazioni in ingresso” continua il docente Huck Beng Chew, aggiungendo che “il cedimento si concentra nei punti in cui si verificano deformazioni molto elevate dovute al carico esercitato sulla struttura. L’algoritmo ha previsto la forma e la posizione di questi punti critici e può essere utilizzato nella progettazione della microstruttura di un materiale in modo da evitare di generare punti critici”.
I ricercatori dell’University of Illinois hanno dovuto comprendere i limiti del modello di machine learning per determinare quando fosse appropriato utilizzarlo, ovvero l’intervallo applicabile di dimensioni e forme dei cristalli: “Abbiamo testato diverse distribuzioni granulometriche e dimostrato che per granulometrie più piccole possiamo ottenere ottime previsioni. Per granulometrie più grandi, abbiamo ottenuto ampie deviazioni. Dimostriamo che il nostro modello può catturare l’80% degli hotspot. Dimostriamo anche che è possibile prendere il nostro modello, addestrato su un materiale, e addestrarlo nuovamente per prevedere i campi di deformazione di un altro materiale modificando i parametri fisici del materiale, il tutto utilizzando un set di dati di un ordine di grandezza più piccolo” sottolinea Noh.
L’obiettivo finale di questo lavoro è progettare microstrutture cristalline più resistenti: “Con questo strumento, possiamo sapere quale combinazione di orientamenti evitare e, data una certa microstruttura, prevedere dove si formerà una crepa, un aspetto determinante nella progettazione di aeromobili e nel monitoraggio della salute strutturale. Bisogna sapere dove guardare, altrimenti è come cercare un ago in un pagliaio. Quando si conoscono i punti critici, è possibile apportare correzioni al progetto” spiega Chew.
Questo lavoro è stato supportato da un finanziamento della National Science Foundation.
Foto: International Journal of Solids and Structures (2026). DOI: 10.1016/j.ijsolstr.2025.113801
