Utilizando la impresión 3D, investigadores de la Universidad de Arizona y del Instituto de Tecnología de Massachusetts han desarrollado un enfoque novedoso para lograr una combinación óptima de rigidez y tenacidad en compuestos microestructurados.

El estudio fue publicado enAvances científicos.

Al integrarexperimentos fisicos,simulaciones numéricasy el aprendizaje automático para abordar ambos desafíos, su método proporciona un modelo para el diseño computacional en áreas de investigación más allá de la mecánica de sólidos, como la química de polímeros, la dinámica de fluidos, la meteorología y la robótica.

"Rigidez ytenacidadson a menudo mutuamente excluyentes", dijo Wan Shou, profesor asistente de ingeniería mecánica en la U de A y autor correspondiente del artículo. "Para ser rígido, un material debe ser fuerte para resistir la deformación.Mientras tanto, para ser resistente, debe ser lo suficientemente dúctil, es decir, capaz de deformarse sin perderrigidezâpara tolerar grietas largas y absorber más energía antes de fracturarse".

Una combinación óptima de rigidez y dureza es una especie de santo grial en el diseño de materiales de ingeniería.En respuesta a la fuerza aplicada, los materiales deben tener la capacidad de resistir la deformación (rigidez) y al mismo tiempo no agrietarse rápidamente (dureza).En otras palabras, doble, no rompa.

Este rendimiento es especialmente importante en macromateriales como el acero para edificios y puentes.Sin embargo, el descubrimiento sistemático de compuestos microestructurados con equilibrios óptimos entre rigidez y tenacidad se ha visto obstaculizado por discrepancias entre la simulación y la realidad.

Avances recientes en la fabricación aditiva ymétodos computacionaleshan permitido una exploración más eficiente que conduce al diseño con una combinación óptima de estas cualidades.Hasta ahora, no se ha demostrado un descubrimiento sistemático de compuestos microestructurados con equilibrios óptimos entre rigidez y tenacidad.

Los investigadores utilizaron tres evaluadores:

• Un probador mecánico que realiza mediciones físicas,
• Un simulador basado en el método de elementos finitos que realiza pruebas mecánicas virtuales de complejidad moderada y
• Un predictor basado en redes neuronales convolucionales que ejecuta inferencias de aprendizaje automático.

El probador mecánico funciona lentamente debido a la fabricación y prueba de muestras que requieren mucha mano de obra, pero esto proporciona valores precisos de rendimiento reales para un diseño de microestructura.En el extremo opuesto del espectro, el predictor funciona extremadamente rápido pero arroja resultados relativamente inexactos.Entre estos, el simulador funciona razonablemente rápido, dada su complejidad moderada, y ofrece una precisión intermedia.

En este trabajo se consideran tanto la precisión como la velocidad.Más importante aún, el marco de los investigadores establece un nuevo paradigma para navegar las discrepancias que a menudo se encuentran entre los modelos teóricos y los resultados prácticos.