As técnicas de aprendizado de máquina contribuíram para o progresso nos campos da ciência e da tecnologia, que vão da saúde à física de alta energia. Agora, o aprendizado de máquina está pronto para ajudar a acelerar o desenvolvimento de ligas mais fortes, especialmente aços inoxidáveis, para a frota de geração de energia térmica dos Estados Unidos. Materiais mais fortes são essenciais para produzir energia com eficiência, resultando em benefícios econômicos e de descarbonização.
“O uso de aços de ultra-alta resistência em usinas de energia remonta à década de 1950 e se beneficiou de melhorias graduais nos materiais ao longo do tempo”, disse Osman Mamun, um associado de pesquisa de pós-doutorado no Pacific Northwest National Laboratory (PNNL). “Se pudermos encontrar maneiras de acelerar as melhorias ou criar novos materiais, poderemos ver uma maior eficiência nas plantas, o que também reduz a quantidade de carbono emitida na atmosfera.”
Mamun é o autor principal de dois artigos de periódicos recentes relacionados que revelam novas estratégias para a aplicação do aprendizado de máquina no projeto de ligas avançadas. Os artigos relatam os resultados da pesquisa de um esforço conjunto entre o PNNL e o Laboratório Nacional de Tecnologia de Energia (NETL). Além de Mamun, a equipe de pesquisa incluiu Arun Sathanur e Ram Devanathan do PNNL e Madison Wenzlick e Jeff Hawk do NETL.
O trabalho foi financiado pelo Escritório de Energia Fóssil do Departamento de Energia dos Estados Unidos (DOE) por meio do consórcio “XMAT” – Matéria de Meio Ambiente eXtreme, que inclui contribuições de pesquisa de sete laboratórios nacionais do DOE. O consórcio busca acelerar o desenvolvimento de ligas resistentes ao calor aprimoradas para vários componentes de usinas de energia e prever o desempenho das ligas a longo prazo. A história interna das usinas de energia.
O ambiente interno de uma usina termelétrica é implacável. As temperaturas operacionais de mais de 650 graus Celsius e tensões que excedem 50 megapascais colocam os componentes de aço de uma planta à prova.
“Mas também, a alta temperatura e pressão, junto com componentes confiáveis, são essenciais para gerar uma melhor eficiência termodinâmica que leva à redução das emissões de carbono e ao aumento da relação custo-benefício”, explica Mamun.
A colaboração PNNL – NETL focou em dois tipos de materiais. O aço inoxidável austenítico é amplamente utilizado em fábricas por oferecer robustez e excelente resistência à corrosão, porém sua vida útil em altas temperaturas é limitada. O aço ferrítico martensítico que contém cromo na faixa de 9 a 12 por cento também oferece benefícios de resistência, mas pode estar sujeito à oxidação e corrosão. Os operadores da fábrica querem materiais que resistam à ruptura e durem décadas.
Com o tempo, as abordagens experimentais de “tentativa e erro” aprimoraram o aço de forma incremental, mas são ineficientes, demoradas e caras. É crucial acelerar o desenvolvimento de novos materiais com propriedades superiores. Modelos para prever resistência à ruptura e vida.
Avanços recentes em modelagem computacional e aprendizado de máquina, diz Mamun, tornaram-se novas ferramentas importantes na busca por materiais melhores com mais rapidez.
O aprendizado de máquina, uma forma de inteligência artificial, aplica um algoritmo a conjuntos de dados para desenvolver soluções mais rápidas para problemas científicos. Essa capacidade está fazendo uma grande diferença na pesquisa em todo o mundo, em alguns casos economizando um tempo considerável de descobertas científicas e desenvolvimentos tecnológicos.
A aplicação de aprendizado de máquina da equipe de pesquisa do PNNL – NETL foi descrita em seu primeiro artigo de jornal, “Um modelo interpretável com auxílio de aprendizado de máquina para previsão de força de ruptura em ligas martensíticas e austeníticas baseadas em ferro”, publicado em 9 de março na Scientific Reports.
O artigo relata o esforço da equipe para aprimorar e analisar conjuntos de dados de aço inoxidável, contribuídos por membros da equipe NETL, com três algoritmos diferentes. O objetivo final era construir um modelo preditivo preciso para a resistência à ruptura dos dois tipos de ligas. A equipe concluiu que um algoritmo conhecido como Gradient Boosted Decision Tree atendeu melhor às necessidades de construção de modelos de aprendizado de máquina para uma previsão precisa da resistência à ruptura.
Além disso, os pesquisadores afirmam que a integração dos modelos resultantes em estratégias de design de ligas existentes pode acelerar a identificação de aços inoxidáveis promissores que possuem propriedades superiores para lidar com tensões e deformações.
“Este projeto de pesquisa não apenas deu um passo em direção a melhores abordagens para estender o envelope operacional do aço em usinas de energia, mas também demonstrou modelos de aprendizado de máquina baseados na física para permitir a interpretação por cientistas de domínio”, disse o membro da equipe de pesquisa Ram Devanathan, um PNNL computacional cientista de materiais. Devanathan lidera o impulso da ciência de dados do consórcio XMAT e atua no comitê de direção da organização.
O segundo artigo da equipe do projeto, “Modelo preditivo e gerador aumentado de aprendizado de máquina para a vida de ruptura em aços ferríticos e austeníticos”, foi publicado na edição de 16 de abril da npj Materials Degradation.
A equipe concluiu no artigo que um modelo preditivo baseado em aprendizado de máquina pode estimar com segurança a vida útil de ruptura das duas ligas. Os pesquisadores também descreveram uma metodologia para gerar ligas sintéticas que poderiam ser usadas para aumentar os conjuntos de dados esparsos de aço inoxidável existentes e identificaram as limitações de tal abordagem. O uso dessas “ligas hipotéticas” em modelos de aprendizado de máquina torna possível avaliar o desempenho de materiais candidatos sem primeiro sintetizá-los em um laboratório.
“As descobertas se baseiam nas conclusões do artigo anterior e representam mais um passo em direção ao estabelecimento de modelos interpretáveis de desempenho de ligas em ambientes extremos, ao mesmo tempo que fornecem informações sobre o desenvolvimento de conjuntos de dados”, disse Devanathan. “Ambos os artigos demonstram a liderança de pensamento da XMAT neste campo de rápido crescimento.”
Achou útil essa informação? Compartilhe com seus amigos! ?
Deixe-nos a sua opinião aqui nos comentários.
