تحولی در هوافضا: مواد جدید برای ساخت هواپیما‌های قدرتمند

به گزارش گروه دانشگاه خبرگزاری دانشجو، محققان مواد نانومعماری با کارایی بالا تولید کرده‌اند که استحکام فولاد کربنی دارند، اما سبکی فوم استایروفوم دارند. این نانومواد که توسط محققان دانشکده علوم و مهندسی کاربردی دانشگاه تورنتو توسعه یافته است، ترکیبی منحصر‌به‌فرد از استحکام استثنایی، وزن سبک و قابلیت سفارشی سازی را ارائه می‌دهد.

انتظار می‌رود این توسعه طیف گسترده‌ای از صنایع را از خودروسازی به هوافضا متحول کند.

پیتر سرلز، اولین نویسنده مطالعه اخیر در مورد این موضوع، معتقد است که مواد نانومعماری، اشکال با کارایی بالا، مانند ساختن یک پل از مثلث‌ها، در اندازه‌های نانو را ترکیب می‌کنند. مواد نانومعماری از اثر "کوچکتر، قوی تر" برای دستیابی به برخی از بالاترین نسبت‌های استحکام به وزن و سختی به وزن هر ماده استفاده می‌کنند.

مسئله ای عالی برای مقابله با یادگیری ماشین

با این حال، شکل‌ها و هندسه‌های شبکه استاندارد مورد استفاده معمولاً دارای تقاطع‌ها و گوشه‌های تیز هستند که منجر به مشکل تمرکز تنش می‌شود. این منجر به شکست محلی اولیه و شکستن مواد می‌شود و پتانسیل کلی آنها را محدود می‌کند. وقتی به این چالش فکر می‌کردم، متوجه شدم که برای یادگیری ماشینی مشکلی عالی برای مقابله با آن است.

الگوریتم ML بهینه سازی بیزی چند هدفه

محققان معتقدند که تیم KAIST از الگوریتم یادگیری ماشینی بهینه‌سازی بیزی چندهدفه استفاده کرده است. این الگوریتم از هندسه‌های شبیه سازی شده برای پیش بینی بهترین هندسه‌های ممکن برای افزایش توزیع تنش و بهبود نسبت استحکام به وزن طرح‌های نانومعماری یاد گرفت.

مواد نانومعماری از بلوک‌های ساختمانی کوچک یا واحد‌های تکرار شونده به اندازه چند صد نانومتر ساخته شده‌اند - برای رسیدن به ضخامت تار موی انسان، بیش از ۱۰۰ عدد از آنها در یک ردیف طرح‌ریزی شده‌اند. طبق بیانیه مطبوعاتی UoT، این بلوک‌های ساختمانی که در این مورد از کربن تشکیل شده‌اند، در ساختار‌های سه بعدی پیچیده‌ای به نام نانوشبکه‌ها چیده شده‌اند. سرلز تاکید کرد که این اولین باری است که یادگیری ماشینی برای بهینه‌سازی مواد نانومعماری استفاده می‌شود و محققان از این پیشرفت‌ها شوکه شدند.

اجزای بسیار سبک وزن در کاربرد‌های هوافضا

"این فقط هندسه‌های موفق را از داده‌های آموزشی تکرار نکرد. سرلز توضیح داد که از تغییراتی که در شکل‌ها کار می‌کند و چه چیزی موثر نیست، یاد گرفت و به آن امکان داد هندسه‌های شبکه کاملاً جدیدی را پیش‌بینی کند.

او تاکید کرد که یادگیری ماشینی معمولاً داده‌های فشرده زیادی دارد و هنگام استفاده از داده‌های با کیفیت بالا از تجزیه و تحلیل اجزای محدود، تولید داده‌های زیادی دشوار است. اما الگوریتم بهینه‌سازی بیزی چندهدفه تنها به ۴۰۰ نقطه داده نیاز دارد، در حالی که الگوریتم‌های دیگر ممکن است به ۲۰۰۰۰ یا بیشتر نیاز داشته باشند.

سرلز گفت: بنابراین، ما توانستیم با یک مجموعه داده بسیار کوچکتر، اما بسیار با کیفیت کار کنند.

انتظار می‌رود که این طرح‌های جدید مواد در نهایت منجر به اجزای بسیار سبک وزن در کاربرد‌های هوافضا، مانند هواپیما، هلیکوپتر و فضاپیما شود که می‌تواند ضمن حفظ ایمنی و عملکرد، تقاضای سوخت را در طول پرواز کاهش دهد. محققان معتقدند که این در نهایت می‌تواند به کاهش ردپای کربن بالای پرواز کمک کند.

سرلز افزود: به عنوان مثال، اگر بخواهید اجزای ساخته شده از تیتانیوم را در هواپیما با این ماده جایگزین کنید، به ازای هر کیلوگرم ماده‌ای که جایگزین می‌کنید، به دنبال صرفه جویی ۸۰ لیتری در سال در سوخت خواهید بود.

محققان اکنون بر بهبود بیشتر مقیاس این طرح‌های مواد برای فعال کردن اجزای مقرون به صرفه در مقیاس کلان تمرکز خواهند کرد.