Arquitectura de la anormalidad de predicción con el marco GCRN y LSTM (PAGL). Crédito: NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01530-8
Un equipo de investigadores de la Universidad de Lehigh ha predicho con éxito el crecimiento anormal de grano en materiales policristalinos simulados por primera vez, un desarrollo que podría conducir a la creación de materiales más fuertes y confiables para entornos de alto estrés, como motores de combustión. Recientemente se publicó un artículo que describe su nuevo método de aprendizaje automático en Nature Computational Materials.
“Usando simulaciones, no solo pudimos predecir el crecimiento anormal del grano, sino que pudimos predecirlo con mucho antes de cuándo ocurre ese crecimiento”, dice Brian Y. Chen, profesor asociado de informática e ingeniería en la Facultad de Ingeniería y Ciencias Aplicadas de PC Rossin de Lehigh y coautor del estudio. “En el 86% de los casos que observamos, pudimos predecir dentro del primer 20% de la vida útil de ese material si un grano en particular se volverá anormal o no”.
Cuando los metales y la cerámica están expuestos al calor continuo, como las temperaturas generadas por los motores de cohetes o aviones, por ejemplo, pueden fallar. Dichos materiales están hechos de cristales o granos, y cuando se calientan, los átomos pueden moverse, lo que hace que los cristales crezcan o se encogen. Cuando unos pocos granos crecen anormalmente grandes en relación con sus vecinos, el cambio resultante puede alterar las propiedades del material. Un material que anteriormente tenía cierta flexibilidad, por ejemplo, puede volverse frágil.
“A medida que diseñamos materiales, nos gustaría poder diseñarlos intencionalmente para evitar un crecimiento anormal de grano”, dice Chen.
Una serie de secciones transversales resultantes de la evolución temporal de una simulación modificada 3D Monte Carlo Potts. Las instantáneas muestran la evolución de un grano anormalmente grande (resaltado en rojo). Crédito: NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01530-8
Una forma más inteligente de identificar materiales estables
Hasta la fecha, sin embargo, la predicción del crecimiento anormal de grano ha sido un problema de aguja en una aguja. Hay innumerables combinaciones y concentraciones que pueden entrar en la creación de cualquier aleación dada. Cada uno de esos metales debe ser probado, lo cual es costoso, que requiere mucho tiempo y, a menudo, poco práctico. La simulación computacional desarrollada por el equipo de Chen ayuda a reducir las posibilidades al eliminar rápidamente los materiales que probablemente desarrollen un crecimiento anormal de granos.
“Nuestros resultados son importantes porque si desea ver ese gran pajar de diferentes materiales, no desea simular cada uno durante demasiado tiempo antes de saber si va a ocurrir un crecimiento anormal de grano anormal”, dice. “Desea simular durante el menor tiempo posible y luego seguir adelante”.
El desafío es que el crecimiento anormal del grano es un evento raro y, desde el principio, los granos que se volverán anormales como los demás.
Una simulación modificada 3D Monte Carlo Potts de engrosamiento microestructural durante un período de 100 × 106 pasos de simulación (100 m mcs). Crédito: NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01530-8
Desbloqueo de patrones ocultos con IA
Para abordar esto, el equipo desarrolló un modelo de aprendizaje profundo que combinó dos técnicas para analizar cómo evolucionan los granos con el tiempo e interactúan entre sí: una red de memoria larga a corto plazo (LSTM) modeló cómo las propiedades, o las características, del material se evaluarían y se evaluarían una red convolucional basada en gráficos (GCRN) relaciones entre los datos que luego se podrían utilizar para predicción.
Inicialmente, los investigadores simplemente esperaban hacer predicciones exitosas. No anticiparon poder hacer predicciones tan temprano.
“Pensamos que los datos podrían ser demasiado ruidosos”, dice. “Tal vez las propiedades que estábamos viendo no revelarían mucho sobre anormalidades futuras distantes, o tal vez la anormalidad solo se revelarían a sí misma tal como estaba a punto de suceder, cuando podría ser obvio incluso para el ojo humano. Pero nos sorprendió que realmente pudiéramos hacer predicciones hasta ahora antes”.
Crítico para esa detección temprana fue usar sus modelos para examinar las características del grano con el tiempo antes de que ocurriera la anormalidad.
“Una mejor manera de pensar que los granos se vuelven anormales es pensar en cómo evolucionan en el tiempo antes de que cambien”, dice. “Entonces, a los 10 millones de pasos de tiempo antes de la anormalidad, por ejemplo, tienen ciertas propiedades que podrían diferir de las que tenían en 40 millones de pasos de tiempo”.
El equipo alineó cada simulación en el momento en que el grano se volvió anormal y trabajó hacia atrás examinando sus propiedades en evolución. Al identificar tendencias consistentes en estas propiedades, pudieron predecir con precisión qué granos se volverían anormales.
“Si observa los granos en términos de cuánto tiempo antes de la transición, puede ver tendencias compartidas que son útiles para la predicción”, dice.
En este proyecto, Chen y su equipo realizaron simulaciones de materiales realistas. La siguiente fase es aplicar el enfoque a las imágenes de materiales reales y ver si aún pueden predecir con precisión el futuro. El objetivo final, dice Chen, es identificar materiales que sean altamente estables y que puedan mantener sus propiedades físicas en una amplia gama de condiciones de alta temperatura y alta estrés. Dichos materiales podrían permitir que los motores y las piezas del motor funcionen a temperaturas más altas durante más tiempo antes de la falla.
El equipo también ve el potencial de su nuevo método de aprendizaje automático para predecir otros eventos raros, tanto dentro como más allá del campo de la ciencia de los materiales, gracias a su capacidad para identificar señales de advertencia en sistemas complejos. Por ejemplo, podría ayudar a predecir los cambios de fase en los materiales, mutaciones que conducen a patógenos peligrosos o cambios repentinos en las condiciones atmosféricas.
“Este trabajo abre una nueva posibilidad emocionante para que los científicos materiales ‘analicen el futuro’ para predecir la evolución futura de las estructuras materiales de formas que nunca antes habían sido posibles”, dice Martin Harmer, profesor de la Fundación Alcoa de Lehigh de Ciencia e Ingeniería de Materiales, emérito; Director de la Iniciativa de Investigación Presidencial de la Interfaz Nano/Humana; y coautor del periódico. “Tendrá un gran impacto en el diseño de materiales confiables para la defensa, las aplicaciones aeroespaciales y comerciales”.
Más información: Houliang Zhou et al, aprendiendo a predecir eventos raros: el caso del crecimiento anormal del grano, NPJ Materiales computacionales (2025). Doi: 10.1038/s41524-025-01530-8
Proporcionado por la Universidad de Lehigh
Cita: Predicción de falla del material: puntos de aprendizaje automático Señales de crecimiento de grano anormal temprano para diseños más seguros (2025, 16 de abril) Recuperado el 16 de abril de 2025 de https://techxplore.com/news/2025-04-mate-failure-machine-early-abnormal.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
