Investigadores del MIT han encontrado una nueva forma de predecir las propiedades de las aleaciones metálicas basándose en reacciones en los límites entre los granos cristalinos del metal primario.

Las aleaciones metálicas avanzadas son esenciales en partes clave de la vida moderna, desde los automóviles hasta los satélites, desde los materiales de construcción hasta la electrónica. Pero la creación de nuevas aleaciones para usos específicos, con resistencia, dureza, resistencia a la corrosión, conductividad, etc. optimizadas, se ha visto limitada por la comprensión difusa de los investigadores de lo que sucede en los límites entre los diminutos granos cristalinos que componen la mayoría de los metales.

Cuando se mezclan dos metales, los átomos del metal secundario pueden acumularse a lo largo de estos límites de granos o pueden extenderse a través de la red de átomos dentro de los granos. Las propiedades generales del material están determinadas en gran medida por el comportamiento de estos átomos, pero hasta ahora no ha habido una forma sistemática de predecir lo que harán.

Los investigadores del MIT (Massachusetts Institute of Technology) han encontrado una manera, utilizando una combinación de simulaciones por computadora y un proceso de aprendizaje automático, para producir el tipo de predicciones detalladas de estas propiedades que podrían guiar el desarrollo de nuevas aleaciones para una amplia variedad de aplicaciones. Los hallazgos se describen en la revista Nature Communications, en un artículo del estudiante graduado Malik Wagih, el postdoctorado Peter Larsen y el profesor de ciencia e ingeniería de materiales Christopher Schuh.

Schuh explica que comprender el comportamiento a nivel atómico de los metales policristalinos, que representan la gran mayoría de los metales que utilizamos, es un desafío abrumador. Mientras que los átomos de un solo cristal están dispuestos en un patrón ordenado, de modo que la relación entre los átomos adyacentes es simple y predecible, ese no es el caso de los múltiples cristales diminutos en la mayoría de los objetos metálicos. "Tienes cristales aplastados en lo que llamamos límites de grano. Y en un material estructural convencional, hay millones y millones de esos límites", dice en un comunicado.

Estos límites ayudan a determinar las propiedades del material. "Puedes pensar en ellos como el pegamento que mantiene unidos los cristales", dice. "Pero están desordenados, los átomos están mezclados. No coinciden con ninguno de los cristales a los que se unen". Eso significa que ofrecen miles de millones de posibles arreglos atómicos, dice, en comparación con unos pocos en un cristal. Crear nuevas aleaciones implica "intentar diseñar esas regiones dentro de un metal, y es literalmente miles de millones de veces más complicado que diseñar en un cristal".

Tradicionalmente, dice, quienes diseñan nuevas aleaciones simplemente pasan por alto el problema, o simplemente miran las propiedades promedio de los límites de grano como si fueran todos iguales, aunque saben que ese no es el caso.

En cambio, el equipo decidió abordar el problema de manera rigurosa examinando la distribución real de configuraciones e interacciones para una gran cantidad de casos representativos, y luego utilizando un algoritmo de aprendizaje automático para extrapolar estos casos específicos y proporcionar valores predichos para una amplia gama de posibles variaciones de aleación.

En algunos casos, la agrupación de átomos a lo largo de los límites de los granos es una propiedad deseada que puede mejorar la dureza y la resistencia a la corrosión de un metal, pero a veces también puede provocar fragilización. Dependiendo del uso previsto de una aleación, los ingenieros intentarán optimizar la combinación de propiedades.

Para este estudio, el equipo examinó más de 200 combinaciones diferentes de un metal base y un metal de aleación, basándose en combinaciones que se habían descrito en un nivel básico en la literatura. Un sistema de vanguardia para diseñar aleaciones de metales

Luego, los investigadores simularon sistemáticamente algunos de estos compuestos para estudiar sus configuraciones de límites de grano. Estos se utilizaron para generar predicciones mediante el aprendizaje automático, que a su vez se validaron con simulaciones más enfocadas. Las predicciones de aprendizaje automático coincidieron estrechamente con las mediciones detalladas.

Como resultado, los investigadores pudieron demostrar que muchas combinaciones de aleaciones que se habían descartado como inviables de hecho resultan factibles, dice Wagih. La nueva base de datos compilada a partir de este estudio, que se ha puesto a disposición del dominio público, podría ayudar a cualquiera que esté trabajando en el diseño de nuevas aleaciones, dice.