Un equipo de investigación dirigido por el profesor Heung Seop Kim del Instituto de Graduados en Tecnología de Ecomateriales y Ferrosos y el Departamento de Ciencia e Ingeniería de Materiales y Jeong Ah Lee, candidato a doctorado del Departamento de Ciencia e Ingeniería de Materiales, en una colaboración reciente con el Prof. Figueiredo, del Departamento de Ingeniería Metalúrgica y de Materiales de la Universidad Federal de Minas Gerais en Brasil, ha desarrollado un excelente modelo de inteligencia artificial para predecir el límite elástico de varios metales y, al mismo tiempo, abordar de manera efectiva las limitaciones tradicionales de costo y tiempo. Se publica en la edición en línea del estudio. Diario de materialesUna revista internacional de ingeniería de materiales y metales.
El límite elástico es el punto en el que un material, como un metal, comienza a deformarse bajo tensión externa. En ingeniería de materiales, la predicción precisa del límite elástico es crucial para desarrollar materiales de alto rendimiento y mejorar la estabilidad estructural. Sin embargo, predecir esta propiedad implica la consideración de muchas variables, como el tamaño del grano y los tipos de impurezas en el material, y generalmente requiere experimentos extensos durante largos períodos de tiempo para recopilar datos.
Para solucionar esto se suele utilizar la ecuación de Hall-Patch, que establece una relación entre el límite elástico de un material y su tamaño de grano. Sin embargo, tiene limitaciones para predecir con precisión el límite elástico de nuevos materiales, considerando sus propiedades específicas y diferentes condiciones ambientales como la temperatura y la tasa de deformación.
En este estudio, el equipo combinó la teoría física con técnicas de inteligencia artificial (IA) para aumentar la precisión y al mismo tiempo reducir el costo y el tiempo necesarios para predecir el límite elástico. Desarrollaron un modelo de aprendizaje automático que aplica el método de “deslizamiento de límites de grano”, que describe cómo las partículas dentro de un material se mueven entre sí, además de predecir el límite elástico también para algoritmos de aprendizaje automático.
En primer lugar, el equipo utilizó un modelo de caja negra para analizar los efectos de diferentes propiedades de los materiales sobre el límite elástico. Luego desarrollaron un modelo de caja blanca con entradas y salidas claras para aumentar la precisión de las predicciones del límite elástico.
El equipo validó su modelo utilizando diferentes compuestos a base de hierro que no formaban parte de los datos de entrenamiento del modelo de predicción del límite elástico. Los resultados mostraron que el modelo era muy preciso con un error absoluto medio de 7,79 MPa en comparación con el límite elástico real incluso al hacer predicciones sobre datos no entrenados.
“Hemos desarrollado un modelo de IA de uso general que puede predecir con precisión el límite elástico de diferentes tipos de metales y en diferentes condiciones experimentales”, expresó sus aspiraciones el profesor de POSTECH, Hyoung Seop Kim. “Continuaremos utilizando activamente la tecnología de inteligencia artificial para lograr avances significativos en la investigación de ingeniería de materiales”, añadió.
La investigación fue realizada por la Fundación Nacional de Investigación de Corea (NRF) en colaboración con el Programa de Desarrollo de Tecnología de Nano y Materiales en colaboración con el Ministerio de Ciencia y TIC.
