Gli scienziati dell’Arizona State University e dell’UNSW Sydney hanno avviato una collaborazione internazionale per riprogettare le leghe ad alta temperatura per aerei ipersonici, sottomarini a propulsione nucleare e molti dei sistemi di difesa più avanzati.
Un team internazionale di ricercatori dell’Arizona State University e dell’UNSW Sydney ha avviato una collaborazione per riprogettare le leghe ad alta temperatura per aerei ipersonici, sottomarini a propulsione nucleare e molti dei sistemi di difesa più avanzati.
Una lega è un materiale ottenuto combinando due o più elementi metallici per raggiungere proprietà che nessun singolo metallo può offrire da solo, come ad esempio una maggiore resistenza o una migliore resistenza alla corrosione. Le leghe refrattarie sono a base di elementi come tungsteno, niobio e molibdeno, che presentano alcuni dei punti di fusione più elevati tra tutti i metalli e che non fondono, né si indeboliscono facilmente, nemmeno a temperature estreme.
Insegnare ai computer a progettare nuovi metalli
Riprogettare le leghe refrattarie utilizzando i tradizionali metodi per tentativi ed errori richiederebbe decenni. L’approccio alternativo dei ricercatori dell’Arizona State University e dell’UNSW Sydney utilizza l’apprendimento per rinforzo, una forma di intelligenza artificiale nota soprattutto per addestrare i computer a padroneggiare giochi come e scacchi.
Progettare una nuova lega è un po’ come mescolare gli ingredienti per una ricetta, ma a livello atomico. Invece di pianificare mosse su una scacchiera, il sistema di intelligenza artificiale esplora migliaia di possibili combinazioni di leghe, ad esempio diverse combinazioni di elementi chimici. Anche piccole modifiche agli ingredienti possono cambiare completamente il comportamento del materiale finale. L’intelligenza artificiale valuta virtualmente ogni candidato in base a molteplici criteri, tra cui la resistenza a temperature superiori 1.000 gradi Celsius e la resistenza ai danni causati dalla reazione con l’ossigeno ad alte temperature, nonché il peso, il costo e, soprattutto, la possibilità di stamparlo in 3D in modo affidabile.
Le leghe che dovrebbero avere buone prestazioni vengono premiate, mentre quelle che non le soddisfano vengono scartate. Attraverso cicli ripetuti, il sistema apprende quali combinazioni chimiche funzionano meglio. Si possono produrre e testare in laboratorio le leghe più promettenti progettate dall’IA. Le loro prestazioni nel mondo reale alimentano il modello, migliorandone costantemente le previsioni.
Vantaggi strategici non solo in laboratorio
Per le agenzie di difesa, uno sviluppo più rapido dei materiali significa una più rapida implementazione per i motori di nuova generazione, i veicoli ipersonici e i sistemi di protezione dal calore. Le leghe progettate dall’IA possono essere ottimizzate per resistenza, resistenza al calore e producibilità. Per esempio, la lega GRX-810 della NASA, progettata con metodi computazionali e stampata in 3D, è 1.000 volte più resistente alle alte temperature rispetto alle leghe tradizionali.
La produzione tradizionale di metalli refrattari spreca fino al 95% della materia prima attraverso la lavorazione meccanica, ovvero la rimozione del materiale indesiderato per creare la forma precisa, ma la stampa 3D può ridurre questa percentuale quasi a zero.
Il lavoro è una collaborazione internazionale. All’Arizona State University, l’attenzione è focalizzata sulla progettazione computazionale basata sull’intelligenza artificiale. Le strutture dell’UNSW Sydney consentono di effettuare test ad alta temperatura analizzando la microstruttura del metallo e conducendo la produzione additiva in condizioni realistiche.
Questo approccio non è privo di ostacoli. Uno dei più grandi è la scarsità di dati: i modelli di intelligenza artificiale apprendono dai risultati sperimentali esistenti e, per le leghe refrattarie, questi dati sono limitati. Molte meno leghe di questa classe sono state testate sistematicamente, rispetto a materiali più comuni come l’acciaio o l’alluminio.
Esistono anche vincoli pratici. Le polveri di metalli refrattari adatte alla stampa 3D sono costose e difficili da reperire, e il passaggio da piccoli campioni di laboratorio a componenti a grandezza naturale è complesso. Una lega che si comporta bene come campione di prova di dimensioni ridotte può comportarsi in modo molto diverso se stampata come un componente grande e complesso.
Infine, le previsioni dell’IA devono sempre essere validate sperimentalmente, e questi esperimenti sono costosi e richiedono molto tempo. Il sistema non elimina la necessità di rigorosi test fisici.
Un nuovo modello per la ricerca orientata alla difesa
La ricerca è nelle sue fasi iniziali. Attualmente gli scienziati dell’Arizona State University e dell’UNSW Sydney stanno sviluppando il modello di IA e raccogliendo i database sperimentali da cui apprenderà. Entro la fine dell’anno, le prime composizioni di leghe candidate saranno selezionate per la stampa 3D e i test di laboratorio. I risultati verranno reintrodotti nel modello. Il team sta inoltre collaborando con agenzie di ricerca nel settore della difesa per garantire che il lavoro sia in linea con le esigenze reali e per gettare le basi per programmi su larga scala In un’epoca in cui il vantaggio tecnologico dipende sempre più dalla velocità e dall’adattabilità, ripensare il modo in cui vengono progettati i metalli alla base dei sistemi di difesa può migliorare i sistemi stessi.
