پژوهشگران به توسعه موادی نانو-معماری‌شده پرداخته‌اند که دارای استحکام فولاد کربنی اما سبک‌وزنی معادل استایروفوم هستند. این نانومواد که توسط پژوهشگران دانشکده علوم کاربردی و مهندسی دانشگاه تورنتو توسعه یافته‌اند، ترکیبی منحصر به‌فرد از استحکام استثنایی، سبک‌وزنی و قابلیت سفارشی‌سازی را ارائه می‌دهند.
انتظار می‌رود این توسعه جهشی در طیف وسیعی از صنایع، از خودروسازی تا هوافضا ایجاد کند.
پیتر سرلس، نویسنده اصلی یکی از مطالعات اخیر در این زمینه به این نکته اشاره کرده که مواد نانو-معماری ترکیبی از شکل‌های با کارایی بالا مانند ساخت پل از مثلث‌ها در ابعاد نانویی هستند. مواد نانو-معماری از اثر 'کوچک‌تر قوی‌تر است' بهره می‌برند تا به برخی از بالاترین نسبت‌های استحکام به وزن و سختی به وزن از هر ماده‌ای دست یابند.
مشکلی ایده‌آل برای یادگیری ماشین جهت برخورد با آن
“با این حال، اشکال متداول شبکه‌ای و
هندسه‌ها
مورد استفاده تمایل به داشتن تقاطع‌ها و گوشه‌های تیز دارند، که به مشکل
تمرکز تنش
منجر می‌شود. این موضوع باعث شکست محلی زودرس و شکستگی مواد شده و قابلیت کلی آنها را محدود کرده است،": گفت سرلس.
“هنگامی که به این چالش فکر کردم، متوجه شدم که این یک مشکل ایده‌آل برای یادگیری ماشین است."
سرلس و پروفسور توبین فیلِتر (MIE) با پروفسور سونگوا ریو و دانشجوی دکترا جین‌ووک یو در مؤسسه پیشرفته علم و تکنولوژی کره (KAIST) در دائجون، کره جنوبی همکاری کردند تا مواد بهبود یافته خود را
طراحی
کنند. این همکاری از طریق برنامه خوشه دکتری بین‌المللی دانشگاه تورنتو آغاز شد.
الگوریتم یادگیری ماشین بهینه‌سازی بیزی چندهدفه
پژوهشگران تأکید کردند که تیم KAIST از الگوریتم یادگیری ماشین بهینه‌سازی بیزی چندهدفه استفاده کرده‌اند. این الگوریتم از هندسه‌های شبیه‌سازی شده یاد می‌گیرد تا بهترین هندسه‌های ممکن برای
بهبود
توزیع تنش و افزایش نسبت استحکام به وزن طراحی‌های نانو-معماری را پیش‌بینی کند.
مواد نانو-معماری از بلوک‌های ساختمانی کوچک یا واحدهای تکراری تشکیل شده‌اند که اندازه آنها به چند صد نانومتر می‌رسد — در یک ردیف به بیشتر از ۱۰۰ بلوک برای دستیابی به ضخامت یک موی انسانی نیاز است. این
بلوکه
ها که در این مورد از کربن تشکیل شده‌اند، در ساختارهای پیچیده سه‌بعدی بنام نانولاتیسا قرار داده می‌شوند، طبق یک
خبرگزاری
از دانشگاه تورنتو.
سرلس به این نکته اشاره کرد که این اولین بار است که یادگیری ماشین برای بهینه‌سازی مواد نانو-معماری اعمال می‌شود و پژوهشگران از بهبودهای حاصل شگفت‌زده شدند.
اجزای فوق‌العاده سبک در کاربردهای هوافضا
“این فقط هندسه‌های موفقیت‌آمیز از داده‌های آموزشی را تکرار نکرد؛ بلکه از تغییرات شکل‌ها یاد گرفت که چه چیزی کار می‌کند و چه چیزی نمی‌کند، که به آن این امکان را داد تا هندسه‌های شبکه‌ای کاملًا جدید را پیش‌بینی کند،" توضیح داد سرلس.
او تأکید کرد که یادگیری‌ماشین معمولاً بسیار داده‌محور است و تولید داده‌های بیشتر با کیفیت‌بالا از تحلیل اجزاء محدود دشوار است. ولی الگوریتم بهینه‌سازی بیزی چندهدفه تنها به ۴۰۰ نقطه داده نیاز داشت، در حالی که سایر الگوریتم‌ها ممکن است ۲۰۰۰۰ یا بیشتر نیاز داشته باشند.
“بدین سبب، ما توانستیم با یک مجموعه داده بسیار کوچک اما با کیفیت‌بالا کار کنیم،" گفت سرلس.
انتظار می‌رود که این طراحی‌های جدید مواد در نهایت به اجزای فوق‌العاده سبک در کاربردهای هوافضا، مانند هواپیماها، هلیکوپترها و سفینه‌های فضایی منجر شود، که می‌تواند تقاضای سوخت در طول پرواز را کاهش دهد و در عین‌حال از ایمنی و عملکرد اطمینان حاصل کند. پژوهشگران بر این باورند که این می‌تواند در نهایت به کاهش ردپای کربن بالای
پرواز
کمک کند.
“برای مثال، اگر شما اجزای ساخته‌شده از تیتانیوم در هواپیما را با این مواد جایگزین کنید، شما در حال کسب صرفه‌جویی ۸۰ لیتر سوخت در سال برای هر کیلوگرم ماده جایگزین هستید،" افزود سرلس.
پژوهشگران اکنون تمرکز خود را بر روی بهبود بیشتر مقیاس‌پذیری این طراحی‌های مواد برای ایجاد اجزای ماکروسکوپی مقرون‌به‌صرفه قرار خواهند داد.
این
تحقیق
، که در مجله مواد پیشرفته منتشر شده است، نشان‌دهنده استفاده از پلیمرسازی چندفوتونی چندکانونی برای ایجاد متا‌ماده‌ای در ابعاد میلی‌متری با ۱۸.۷۵ میلیون سلول شبکه با ابعاد نانومتری است.
-
-
-
-
