L'intelligenza artificiale sviluppa leghe ad alte prestazioni a partire da rottami metallici
Le impurità presenti nei rottami metallici vengono sfruttate in modo mirato e migliorano la duttilità e la resistenza alla rottura
Annunci
A livello mondiale vengono prodotte ogni anno circa due miliardi di tonnellate di metallo per soddisfare il fabbisogno dell’industria, delle infrastrutture e del settore energetico. Gran parte di questi metalli viene ancora ricavata dai minerali. La produzione convenzionale di metalli causa circa il 40% delle emissioni industriali di gas serra ed è responsabile di circa il 10% del consumo energetico mondiale. Un maggiore ricorso ai metalli riciclati potrebbe ridurre notevolmente l’impatto ambientale derivante dalla sintesi primaria, mantenendo i metalli più a lungo nel ciclo dei materiali, e allo stesso tempo diminuire la dipendenza dalle importazioni di minerali sempre più scarsi e strategicamente importanti.
Il riciclaggio dei metalli in leghe riutilizzabili comporta tuttavia notevoli sfide: la composizione chimica dei rottami metallici varia spesso e contiene impurità indesiderate. Queste possono compromettere la qualità delle leghe riciclate, rendendole inutilizzabili per applicazioni industriali con requisiti elevati.
Un team di ricerca internazionale ha ora sviluppato una strategia basata sull’intelligenza artificiale (IA) e sull’apprendimento automatico per utilizzare in modo mirato le impurità presenti nei rottami metallici come elementi di lega. Le cosiddette «Dirty Alloys» (leghe sporche) che ne derivano non solo tollerano le variazioni nella composizione dei rottami, ma presentano anche proprietà meccaniche migliorate e costi di produzione inferiori. I risultati sono stati pubblicati sulla rivista scientifica *Science Advances*.
L’intelligenza artificiale collega direttamente la composizione della lega alle proprietà del materiale
«Finora, le impurità presenti nei rottami metallici venivano solitamente diluite con l’aggiunta di metallo primario. Ciò riduce però i vantaggi ambientali del riciclaggio, poiché la produzione di metalli primari richiede grandi quantità di energia e causa notevoli emissioni di CO₂. Il nostro nuovo flusso di lavoro utilizza l’intelligenza artificiale e l’apprendimento automatico per identificare le impurità appropriate e sviluppare con esse leghe che non solo tollerano le impurità, ma ne traggono addirittura vantaggio», spiega la dott.ssa Liuliu Han, responsabile di un gruppo partner dell’Istituto Max Planck per i Materiali Sostenibili e una delle autrici corrispondenti della pubblicazione.
La particolarità del nuovo flusso di lavoro è che collega direttamente la composizione chimica di una lega e le condizioni di produzione alle proprietà desiderate del materiale, senza necessitare di informazioni approfondite sulla microstruttura della lega, ma utilizzando in modo mirato la gamma di elementi presenti nei rottami per migliorare il prodotto. Partendo da leghe già note, un algoritmo di ricerca genera nuove leghe candidate. A tal fine, varia entro limiti prestabiliti sia la composizione chimica sia i parametri di processo, quali la temperatura e la durata del trattamento termico.
Le reti neurali artificiali prevedono quindi la resistenza alla trazione e l’allungamento a rottura delle rispettive leghe candidate. In questo modo, l’algoritmo può cercare in modo mirato composizioni che consentano un rapporto tra resistenza e deformabilità migliore rispetto ai materiali finora conosciuti. Da un lato ottimizza le leghe particolarmente promettenti e, dall’altro, esamina composizioni finora poco studiate. Un secondo modello, addestrato con un set di dati più ampio relativo alle composizioni delle leghe e alle proprietà dei materiali, verifica i candidati preselezionati. Successivamente, gli scienziati producono le leghe più promettenti e le sottopongono a test.
I risultati di questi esperimenti vengono a loro volta inseriti nel database. In questo modo il modello predittivo viene aggiornato e viene guidato il ciclo di ottimizzazione successivo. Grazie a questo confronto ripetuto tra previsioni computerizzate e risultati sperimentali, la selezione delle leghe idonee migliora gradualmente e accelera lo sviluppo di nuovi materiali a partire da metalli riciclati.
Le impurità migliorano le proprietà meccaniche
Come materiale modello, i ricercatori hanno utilizzato la ghisa a grafite sferoidale, nota anche come ghisa sferoidale. Questo materiale è noto per la sua elevata tolleranza alle impurità e riveste grande importanza industriale: ogni anno ne vengono prodotte circa 120 milioni di tonnellate in tutto il mondo.
Il team di ricerca ha esaminato 17 varianti di lega proposte dal modello di IA. Di queste, 14 hanno raggiunto combinazioni particolarmente buone di resistenza e deformabilità rispetto ai materiali ferrosi riciclati finora registrati nel database.
A parità di allungamento a rottura, è stato possibile aumentare la resistenza alla trazione fino al 15,2%. A parità di resistenza alla trazione, l’allungamento a rottura è aumentato addirittura fino al 73,2%. Allo stesso tempo, i costi di produzione sono risultati inferiori di circa l’8% rispetto a quelli del processo convenzionale, in cui i rottami metallici vengono mescolati con ferro primario.
Gli scienziati intendono estendere la loro strategia basata sull’intelligenza artificiale anche ad altri gruppi di materiali, come gli acciai riciclati e le leghe di alluminio e rame. Inoltre, diversi agenti di IA dovrebbero assumersi compiti diversi e coordinarsi tra loro – dallo sviluppo di nuove composizioni di leghe e dalla pianificazione degli esperimenti fino al controllo del processo e alla valutazione dei risultati. Ciò accelererebbe lo sviluppo di nuove leghe e consentirebbe al contempo un adattamento flessibile alle composizioni variabili dei rottami.
Al progetto hanno partecipato ricercatori della Shanghai Jiao Tong University, della City University di Hong Kong, della East China University of Science and Technology e della Central South University in Cina, nonché dell’Istituto Max Planck per i Materiali Sostenibili in Germania.
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Tedesco può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
