Crédito: Dominio público de Pixabay/CC0
En aplicaciones aeroespaciales, las aleaciones de memoria de forma de alta temperatura (HTSMAS), materiales capaces de recordar y volver a sus formas originales después del calentamiento, a menudo están limitadas por altos costos, ya que dependen de elementos costosos para funcionar a temperaturas elevadas.
Los aviones de combate como el F/A-18 necesitan doblar sus alas para que se ajusten a los portaaviones. El sistema que dobla las alas se basa en piezas mecánicas pesadas. Pero con nuevas aleaciones más ligeras y más inteligentes, esos movimientos podrían hacerse con menos peso y más eficiencia. Eso significa que más chorros pueden estar listos para volar, más rápido y con menos energía desperdiciada.
Los investigadores han publicado sus hallazgos en la revista Material de acta. La investigación muestra cómo la inteligencia artificial (IA) y la experimentación de alto rendimiento se pueden combinar para acelerar el descubrimiento de materiales y reducir los costos de desarrollo.
Este estudio pionero prepara el escenario para una nueva era en el diseño de aleaciones funcionales: más barato, más barato y más inteligente. Eso significa que todo lo que puede usar este proceso pronto podría hacerse con materiales que no solo son más eficientes sino también más asequibles para aquellos que buscan ahorrar costos.
El equipo está dirigido por el jefe del departamento y el profesor de Chevron, el Dr. Ibrahim Karaman, y el profesor de Chevron, Dr. Raymundo Arroyave, que han desarrollado un enfoque basado en datos para el descubrimiento material.
“Este trabajo muestra que podemos diseñar mejores aleaciones de alta temperatura, no a través de una prueba y error costosa, sino a través de una exploración inteligente y específica impulsada por datos y física”, dijo Karman.
“Este proyecto es emocionante ya que muestra el poder de los marcos de desarrollo de aleaciones avanzadas que hemos estado desarrollando en los últimos años”. Arroyave agregado.
Fondo
El diseño de nuevos metales generalmente requiere mucho tiempo y dinero. Los científicos deben probar miles de mezclas de metales para encontrar la correcta, e incluso pequeños cambios, como agregar solo 0.1% más de un elemento, pueden cambiar totalmente cómo se comporta el material. Con tantas opciones, encontrar la combinación correcta para la aleación sería como adivinar los números de lotería correctos.
Resumen gráfico. Crédito: material ACTA (2024). Doi: 10.1016 / j.actamat.2024.120651
Para acelerar las cosas, los investigadores de la Universidad de Texas A&M están utilizando computadoras poderosas e inteligencia artificial. Estas herramientas les ayudan a predecir cómo interactuarían diferentes mezclas de metales, por lo que no tienen que probar cada opción en sus laboratorios. En cambio, utilizan IA para ayudarlos a concentrar sus esfuerzos en los más prometedores.
“Con las herramientas computacionales avanzadas, no solo estamos acelerando el descubrimiento de aleaciones, estamos remodelando cómo ocurre el descubrimiento”, dijo Sina Hossein Zadeh, Ph.D. Estudiante en el Departamento de Ciencia e Ingeniería de Materiales.
Innovación de investigación
La característica destacada de este proyecto es su integración del aprendizaje automático y el trabajo experimental a través de un marco conocido como Optimización Bayesiana por lotes (BBO). BBO permite a los científicos refinar iterativamente sus predicciones de aleación basadas en resultados experimentales pasados, minimizar los desechos y maximizar la eficiencia del descubrimiento.
“Este marco no solo acelera el descubrimiento”, dice Karaman, “sino que también abre la puerta a la adaptación de las aleaciones para funciones específicas, como reducir la pérdida de energía o mejorar el rendimiento de actuación en muchas aplicaciones”.
El objetivo es hacer materiales que se muevan o cambien de forma en respuesta a algo como el calor o la electricidad, un tipo de músculos similares para las máquinas. Estos materiales especiales se llaman actuadores, y a menudo se usan en dispositivos aeroespaciales, robóticos e incluso médicos.
Desafíos y el futuro
Actualmente, el modelo explora la aleación con cobre y hafnium para mejorar el comportamiento de la memoria de forma y aumentar las temperaturas de transformación. Sin embargo, se necesita más investigación para incorporar más elementos y predecir métricas de rendimiento adicionales, como la tensión de transformación, cuánto la aleación puede moverse o cambiar de forma durante la operación.
Según Broucek, “la próxima frontera es diseñar aleaciones que no solo se transformen a las temperaturas correctas sino que también entreguen una tensión significativa en el servicio. Eso es lo que las hará viables para aplicaciones aeroespaciales y energéticas”.
Más información: J. Broucek et al, Diseño de aleaciones de memoria de forma niticuhf de alta temperatura con histéresis térmica mínima utilizando la optimización bayesiana, Acta Materialia (2024). Doi: 10.1016/j.actamat.2024.120651
Proporcionado por la Universidad de Texas A&M
Cita: las aleaciones de memoria de forma de alta temperatura podrían aumentar la eficiencia y el rendimiento del avión de combate (2025, 9 de julio) recuperado el 9 de julio de 2025 de https://techxplore.com/news/2025-07-high-temperature-memory-alloys-boost.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.
