A inteligência artificial desenvolve ligas de alto desempenho a partir de sucata metálica
As impurezas presentes na sucata metálica são utilizadas de forma específica e melhoram a ductilidade e a resistência à ruptura
Anúncios
A nível mundial, são produzidas anualmente cerca de dois mil milhões de toneladas de metal para satisfazer as necessidades da indústria, das infraestruturas e do setor energético. Grande parte desse metal continua a ser extraído de minérios. A produção convencional de metal é responsável por cerca de 40% das emissões industriais de gases com efeito de estufa e por cerca de 10% do consumo mundial de energia. Uma maior utilização de metais reciclados poderia reduzir significativamente o impacto ambiental da síntese primária, mantendo os metais por mais tempo no ciclo de reciclagem e, ao mesmo tempo, diminuindo a dependência das importações de minérios escassos e estrategicamente importantes.
No entanto, a reciclagem de metais para a produção de ligas utilizáveis envolve desafios consideráveis: a composição química da sucata metálica varia frequentemente e contém impurezas indesejáveis. Estas podem prejudicar a qualidade das ligas recicladas, tornando-as inutilizáveis para aplicações industriais com requisitos elevados.
Uma equipa de investigação internacional desenvolveu agora uma estratégia baseada na inteligência artificial (IA) e na aprendizagem automática para utilizar de forma seletiva as impurezas presentes na sucata metálica como elementos de liga. As chamadas «ligas sujas» (Dirty Alloys) assim obtidas não só toleram variações na composição da sucata, como também apresentam propriedades mecânicas melhoradas e custos de produção mais baixos. Os resultados foram publicados na revista científica «Science Advances».
A inteligência artificial associa diretamente a composição da liga às propriedades do material
«Até agora, as impurezas presentes na sucata metálica eram normalmente diluídas através da adição de metal primário. No entanto, isso reduz as vantagens ambientais da reciclagem, uma vez que a produção de metais primários requer grandes quantidades de energia e causa emissões consideráveis de CO₂. O nosso novo fluxo de trabalho utiliza IA e aprendizagem automática para identificar impurezas adequadas e, com base nelas, desenvolver ligas que não só toleram as impurezas, como até tiram partido delas», explica a Dra. Liuliu Han, diretora de um grupo parceiro do Instituto Max Planck de Materiais Sustentáveis e uma das autoras correspondentes da publicação.
A particularidade do novo fluxo de trabalho reside no facto de associar diretamente a composição química de uma liga e as condições de fabrico às propriedades desejadas do material, sem necessitar de informações exaustivas sobre a microestrutura da liga, mas sim utilizando de forma específica a variedade de elementos presentes na sucata para melhorar o produto. Partindo de ligas já conhecidas, um algoritmo de pesquisa gera novas ligas candidatas. Para tal, varia, dentro de limites pré-definidos, tanto a composição química como os parâmetros do processo, tais como a temperatura e a duração do tratamento térmico.
As redes neurais artificiais prevêem, em seguida, a resistência à tração e o alongamento na ruptura das respetivas ligas candidatas. Desta forma, o algoritmo pode procurar de forma específica composições que permitam uma melhor relação entre resistência e deformabilidade do que os materiais até agora conhecidos. Ao fazê-lo, otimiza, por um lado, ligas particularmente promissoras e, por outro, investiga composições até agora pouco estudadas. Um segundo modelo, treinado com um conjunto de dados mais vasto sobre composições de ligas e propriedades dos materiais, verifica os candidatos pré-selecionados. Posteriormente, os cientistas produzem as ligas mais promissoras e testam-nas.
Os resultados destes ensaios são, por sua vez, incorporados na base de dados. Desta forma, o modelo de previsão é atualizado e a próxima ronda de otimização é orientada. Através desta comparação repetida entre previsões assistidas por computador e resultados experimentais, a seleção de ligas adequadas melhora gradualmente e acelera o desenvolvimento de novos materiais a partir de metais reciclados.
As impurezas melhoram as propriedades mecânicas
Como material modelo, os investigadores utilizaram ferro fundido com grafite esférica, também conhecido como ferro fundido esférico. Este material é conhecido pela sua elevada tolerância a impurezas e tem grande importância industrial: a nível mundial, são produzidas anualmente cerca de 120 milhões de toneladas deste material.
A equipa de investigação analisou 17 variantes de ligas sugeridas pelo modelo de IA. Destas, 14 alcançaram combinações particularmente boas de resistência e deformabilidade, em comparação com os materiais de ferro reciclados registados até então na base de dados.
Com um alongamento de ruptura comparável, foi possível aumentar a resistência à tração em até 15,2%. Com resistência à tração comparável, o alongamento na ruptura aumentou até 73,2%. Ao mesmo tempo, os custos de produção ficaram cerca de 8% abaixo dos do processo convencional, no qual a sucata metálica é misturada com ferro primário.
Os cientistas planeiam alargar a sua estratégia de IA a outros grupos de materiais, como os aços reciclados e as ligas de alumínio e cobre. Além disso, vários agentes de IA deverão assumir diferentes tarefas e coordenar-se entre si — desde o desenvolvimento de novas composições de ligas e o planeamento de ensaios até ao controlo do processo e à avaliação dos resultados. Isto aceleraria o desenvolvimento de novas ligas e, ao mesmo tempo, permitiria uma adaptação flexível às variações na composição da sucata.
Participaram neste trabalho investigadores da Universidade Jiao Tong de Xangai, da Universidade da Cidade de Hong Kong, da Universidade de Ciência e Tecnologia da China Oriental e da Universidade do Centro-Sul da China, bem como do Instituto Max Planck para Materiais Sustentáveis, na Alemanha.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Alemão pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
