کشف آلیاژهای فوق‌مقاوم فولاد؛ هوش مصنوعی، کیمیاگر جدید عصر فولاد

به گزارش پایگاه خبری «معدن نامه» در سال ۲۰۲۳ سیستم GNoME که توسط Google DeepMind توسعه یافته، در یک جهش محاسباتی بی‌سابقه، ساختار کریستالی ۲.۲ میلیون ترکیب شیمیایی جدید را پیش‌بینی کرد که از این میان، ۳۸۰ هزار ترکیب از نظر ترمودینامیکی پایدار تشخیص داده شدند، این رقم معادل ۸۰۰ برابر کل کشفیات تجربی بشر در طول ۲۰۰ سال گذشته در حوزه علم مواد است.

برای درک عمق این تحول، کافی است بدانیم که توسعه یک آلیاژ فولادی تجاری از مرحله طراحی اولیه تا تأیید نهایی، به‌طور سنتی بین ۱۰ تا ۲۰ سال زمان و میانگین ۱۰۰ میلیون دلار هزینه تحقیق و توسعه نیاز داشت، سیستم‌های برپایه یادگیری ماشین نسل جدید این بازه زمانی را به کمتر از ۱۸ ماه و در برخی موارد به چند هفته کاهش داده‌اند.

معماری فنی این سیستم‌ها بر پایه شبکه‌های عصبی گرافی (Graph Neural Networks) بنا شده که قادرند روابط اتمی در فضای سه‌بعدی را با دقت زیر یک پیکومتر مدل‌سازی کنند، این شبکه‌ها با آموزش بر روی پایگاه داده Materials Project که شامل بیش از ۱۵۰ هزار ترکیب شناخته‌شده است، یاد گرفته‌اند که انرژی تشکیل، پایداری فازی و خواص الکترونیکی مواد را از روی آرایش اتمی پیش‌بینی کنند، دقت این پیش‌بینی‌ها در مقایسه با محاسبات DFT (نظریه تابعی چگالی) به عنوان استاندارد طلایی، در بسیاری از موارد به بالای ۹۲ درصد رسیده است.

در حوزه آلیاژهای فولادی، این فناوری دستاوردهای کمّی قابل اندازه‌گیری داشته است، پروژه مشترک MIT و شرکت ArcelorMittal در سال ۲۰۲۲ با استفاده از الگوریتم‌های یادگیری تقویتی، آلیاژی از خانواده فولادهای مارتنزیتی طراحی کرد که استحکام کششی آن به ۲.۵ گیگاپاسکال رسید، در حالی که چقرمگی شکست آن نسبت به نمونه‌های مرسوم ۳۰ درصد بهبود یافت، همزمان تیم تحقیقاتی دانشگاه Carnegie Mellon با بهره‌گیری از مدل‌های پیش‌بینی ترکیبی، فولادی با مقاومت خوردگی در محیط‌های کلریدی با غلظت ۳.۵ درصد NaCl طراحی کرد که نرخ خوردگی آن به کمتر از ۰.۰۱ میلی‌متر در سال رسید؛ عملکردی که پیش از این تنها در آلیاژهای پرهزینه پایه نیکل مشاهده می‌شد.

یکی از چالش‌برانگیزترین مرزهای این حوزه، طراحی آلیاژهای مقاوم در دماهای بالا برای کاربردهای هوافضایی است، فولادهای سنتی در دماهای بالای ۶۰۰ درجه سانتی‌گراد دچار افت شدید استحکام می‌شوند، سیستم‌های هوش مصنوعی با بهینه‌سازی همزمان ترکیب عناصر آلیاژی شامل کروم، مولیبدن، وانادیم و تنگستن و کنترل ریزساختار رسوبی، توانسته‌اند آلیاژهایی پیشنهاد دهند که استحکام تسلیم آن‌ها در دمای ۸۰۰ درجه سانتی‌گراد بالای ۵۰۰ مگاپاسکال باقی می‌ماند، این سطح از عملکرد، کاربرد در پره‌های توربین‌های گازی نسل بعد را که در دماهای ورودی بالای ۱۴۰۰ درجه سانتی‌گراد کار می‌کنند، با استفاده از پوشش‌های سدی حرارتی ممکن می‌سازد.

پیامدهای اقتصادی و ژئوپلیتیکی این تحول قابل اندازه‌گیری است. بازار جهانی فولادهای پیشرفته در سال ۲۰۲۳ به ارزش ۱۸۵ میلیارد دلار رسید و پیش‌بینی می‌شود تا سال ۲۰۳۰ با نرخ رشد مرکب سالانه ۷.۴ درصد به ۳۰۰ میلیارد دلار برسد. کشوری که بتواند چرخه توسعه آلیاژ را از ۱۵ سال به ۱۸ ماه کاهش دهد، در هر دوره ده‌ساله، عملاً ۶ نسل فناوری جلوتر از رقبای خود خواهد بود، این مزیت در صنایع دفاعی که فولادهای زره‌ای نسل جدید با سختی بالای ۶۰۰ برینل مورد نیاز است، یا در صنعت خودروسازی که کاهش هر ۱۰۰ کیلوگرم وزن خودرو مصرف سوخت را ۶ تا ۸ درصد کاهش می‌دهد، مستقیماً به برتری رقابتی تبدیل می‌شود.

با این حال، فاصله میان پیش‌بینی محاسباتی و تولید صنعتی همچنان یک چالش جدی است. از میان ترکیباتی که GNoME به عنوان پایدار شناسایی کرد، تنها ۷۳۶ مورد تاکنون در آزمایشگاه سنتز و تأیید شده‌اند. مشکل اصلی در مرحله مقیاس‌پذیری است؛ آلیاژی که در نمونه‌های آزمایشگاهی ۱۰ گرمی خواص استثنایی نشان می‌دهد، ممکن است در ریخته‌گری صنعتی ۱۰ تنی به دلیل گرادیان‌های حرارتی، جدایش عناصر آلیاژی و تنش‌های پسماند، رفتار کاملاً متفاوتی داشته باشد. این شکاف، نقش متالورژیست‌های تجربی را نه حذف، بلکه متحول کرده است؛ آن‌ها دیگر در جست‌وجوی ترکیب بهینه وقت نمی‌گذارند، بلکه انرژی خود را بر حل مسائل فرآیندی مقیاس‌پذیری متمرکز کرده‌اند.

آنچه در حال شکل گرفتن است، یک پارادایم جدید در مهندسی مواد است که در آن طراحی معکوس از خواص مطلوب به ترکیب شیمیایی، جایگزین رویکرد سنتی آزمون و خطا شده است. در این پارادایم، مهندس ابتدا مشخصات عملکردی مورد نیاز را تعریف می‌کند، استحکام کششی بالای ۱.۸ گیگاپاسکال، چگالی زیر ۷.۵ گرم بر سانتی‌متر مکعب، مقاومت خوردگی در دمای ۴۰۰ درجه سانتی‌گراد، و هوش مصنوعی فضای ترکیبی را برای یافتن راه‌حل‌های ممکن جست‌وجو می‌کند. این تغییر رویکرد، علم مواد را از یک دانش توصیفی به یک مهندسی پیش‌بینانه تبدیل کرده و مرز میان کشف و اختراع را به شکلی بنیادی جابه‌جا ساخته است.