La nueva técnica permite mediciones más precisas de las características de deformación utilizando herramientas de nanoindentación.
Un método estándar para probar algunas de las propiedades mecánicas de los materiales es pincharlos con una punta afilada. Esta “técnica de indentación” puede proporcionar mediciones detalladas de cómo responde el material a la fuerza de la punta, en función de su profundidad de penetración.
Con los avances en nanotecnología durante las últimas dos décadas, la fuerza de indentación se puede medir con una resolución del orden de una milmillonésima de Newton (una medida de la fuerza aproximadamente equivalente a la fuerza que siente cuando sostiene una manzana de tamaño mediano en su mano), y la profundidad de penetración de la punta afilada se puede capturar a una resolución tan pequeña como un nanómetro, o aproximadamente 1/100,000 del diámetro de un cabello humano. Estas herramientas de nanoindentación instrumentadas han brindado nuevas oportunidades para probar las propiedades físicas en una amplia variedad de materiales, incluidos metales y aleaciones, plásticos, cerámicas y semiconductores.
Pero si bien las técnicas de indentación, incluida la nanoindentación, funcionan bien para medir algunas propiedades, presentan grandes errores al probar las propiedades plásticas de los materiales, el tipo de deformación permanente que ocurre, por ejemplo, si presiona con el pulgar un trozo de masilla y lo deja. una abolladura, o cuando dobla permanentemente un sujetapapeles con los dedos. Estas pruebas pueden ser importantes en una amplia variedad de aplicaciones industriales, incluida la fabricación convencional y digital (impresión 3D) de estructuras metálicas, el aseguramiento de la calidad del material de las piezas de ingeniería y la optimización del rendimiento y el costo. Sin embargo, las pruebas de indentación convencionales y los métodos existentes para extraer propiedades críticas pueden ser muy imprecisos.
Ahora, un equipo de investigación internacional compuesto por investigadores del MIT, la Universidad Brown y la Universidad Tecnológica de Nanyang (NTU) en Singapur ha desarrollado una nueva técnica analítica que puede mejorar la estimación de las propiedades mecánicas de los materiales metálicos a partir de la indentación instrumentada, con hasta 20 veces mayor precisión que los métodos existentes. Sus hallazgos se describen hoy en las Actas de la Academia Nacional de Ciencias , en un documento que combina experimentos de sangría con modelado computacional de materiales utilizando las últimas herramientas de aprendizaje automático.
El equipo incluye al codirector y autor principal Ming Dao, científico investigador principal del MIT, y al autor principal Subra Suresh, profesor emérito del MIT Vannevar Bush, presidente y distinguido profesor universitario de la NTU Singapur. Sus coautores son el estudiante de doctorado Lu Lu y el profesor George Em Karniadakis de la Universidad de Brown y el investigador Punit Kumar y el profesor Upadrasta Ramamurty de NTU Singapur.

Animación que muestra esquemáticamente el proceso de extracción de propiedades mecánicas de las pruebas de indentación. Es una tarea desafiante obtener con precisión el límite elástico y el comportamiento mecánico no lineal de las pruebas de indentación. Cortesía de los investigadores.
precisión del resultado. Además, utilizan leyes de escala establecidas para reducir aún más la cantidad de conjuntos de datos de entrenamiento necesarios para cubrir el espacio de parámetros para todos los metales y aleaciones de ingeniería.
Es más, los autores descubrieron que la mayor parte del proceso de entrenamiento que requiere mucho tiempo se puede hacer con anticipación, de modo que para evaluar las pruebas reales se puede agregar una pequeña cantidad de resultados experimentales reales para el entrenamiento de «calibración» justo cuando están listos. necesarios y dan resultados muy precisos.

Animación que ilustra las características clave y las ventajas del novedoso método de aprendizaje profundo de «fidelidad múltiple». Cortesía de los investigadores.
aprendizaje profundo de «fidelidad múltiple». Cortesía de los investigadores.
Aplicaciones para fabricación digital y más
Estos enfoques de aprendizaje profundo de fidelidad múltiple se han validado utilizando aleaciones de aluminio fabricadas de forma convencional, así como aleaciones de titanio impresas en 3D.
El profesor Javier Llorca, director científico del Instituto IMDEA Materiales en Madrid, que no participó en esta investigación, dice: “El nuevo enfoque aprovecha las nuevas estrategias de aprendizaje automático para mejorar la precisión de las predicciones y tiene un gran potencial para la detección rápida de las propiedades mecánicas de los componentes fabricados por impresión 3-D. Permitirá discriminar las diferencias en las propiedades mecánicas en diferentes regiones de los componentes impresos en 3D, lo que conducirá a diseños más precisos”.
El profesor Ares Rosakis de Caltech, que tampoco estuvo relacionado con este trabajo, dice que este enfoque “da como resultado una eficiencia computacional notable y una precisión predictiva sin precedentes de las propiedades mecánicas. … Lo que es más importante, proporciona un nuevo par de ojos que antes no estaban disponibles para garantizar la uniformidad de las propiedades mecánicas, así como la reproducibilidad de fabricación de componentes impresos en 3D de geometría compleja para los que las pruebas clásicas son imposibles».
En principio, el proceso básico que utilizan podría extenderse y aplicarse a muchos otros tipos de problemas relacionados con el aprendizaje automático, dice Dao. “Creo que esta idea se puede generalizar para resolver otros problemas de ingeniería desafiantes”. El uso de datos experimentales reales ayuda a compensar las condiciones idealizadas asumidas en los datos sintéticos, donde la forma de la punta del indentador es perfectamente afilada, el movimiento del indentador es perfectamente uniforme, etc. Mediante el uso de datos «híbridos» que incluyen tanto las situaciones idealizadas como las del mundo real, «el resultado final es una reducción drástica del error», dice.
El trabajo fue apoyado por el Laboratorio de Investigación del Ejército, el Departamento de Energía de EE. UU. y la Cátedra Universitaria Distinguida de la Universidad Técnica de Nanyang.