Cos'è la scienza computazionale dei materiali?

La scienza computazionale dei materiali è un campo interdisciplinare che consente scoperta, progettazione dei materiali, caratterizzazione dei meccanismi di guasto e modellazione dei materiali in modo più efficiente sia nella ricerca fondamentale sia nella progettazione di prodotti. La scienza computazionale dei materiali si basa su un insieme di metodologie che consentono agli ingegneri di studiare il comportamento dei materiali e le loro proprietà, come quelle meccaniche, termiche ed elettromagnetiche.

Oltre alla capacità di comprendere la progettazione di nuovi materiali, la scienza computazionale dei materiali ha favorito il trasferimento di conoscenze attraverso la ricerca interdisciplinare. I progressi nella scienza computazionale dei materiali stanno oggi consentendo a un numero crescente di settori industriali di progettare sistemi di materiali più efficienti e prodotti con prestazioni migliori, senza la necessità di numerosi cicli di prototipazione.

I metodi computazionali vengono utilizzati in molti ambiti della ricerca e dello sviluppo in chimica e scienza dei materiali, inclusi i materiali avanzati, i compositi (ceramici, a base di carbonio e polimerici), e altri materiali allo stato solido. La scienza computazionale dei materiali si estende inoltre a numerose applicazioni tecnologiche, tra cui la produzione di energia e di semiconduttori.

Attualmente, la scienza computazionale dei materiali è in continua evoluzione grazie ai progressi nella potenza di calcolo e nei software di simulazione.

Una delle tendenze più rilevanti degli ultimi anni (divenuta ormai una funzionalità aggiuntiva) è il collegamento con la modellazione dei processi e lo studio di come il processo produttivo influisca sulle proprietà del materiale. Con l'adozione sempre più diffusa della manifattura digitale, le metodologie di questa scienza offrono maggiori capacità per comprendere e migliorare questi processi.

Un altro ambito che ha registrato un notevole sviluppo e utilizzo negli ultimi anni è la modellazione multiscala, che combina tecniche computazionali e ingegneristiche per prevedere le proprietà e il comportamento dei materiali, ottimizzandoli su più scale di lunghezza, dal livello atomico a quello macroscopico. Questo sta diventando un approccio di simulazione sempre più diffuso nella progettazione dei materiali. Viene inoltre combinato con tecniche di caratterizzazione sperimentale, come la microscopia elettronica a trasmissione (TEM) e la microscopia elettronica a scansione (SEM), per supportare la progettazione dei materiali a partire dalle nanoscale.

Sul fronte del software, una delle principali tendenze attuali, come in molti altri ambiti oggi, è l'intelligenza artificiale (AI). È possibile utilizzare diversi algoritmi di intelligenza artificiale per ottenere previsioni e ottimizzazioni più accurate delle proprietà dei materiali e dei processi quando vengono alimentati con dati di simulazione (ed eventualmente sperimentali) pertinenti. Si tratta di uno strumento che sta iniziando a maturare nella scienza computazionale dei materiali e nell'informatica dei materiali, dove algoritmi di machine learning vengono utilizzati per prevedere le proprietà dei materiali e ottimizzare l'efficienza del relativo sviluppo.

La scienza computazionale dei materiali può essere utilizzata per comprendere la struttura e le proprietà dei materiali su scale di lunghezza ridotte, compresi i livelli atomistici e nanoscopici.

Oltre alla modellazione del materiale in sé, lo screening computazionale ad alta produttività (high-throughput computational screening) può sfruttare le proprietà note di materiali non ancora realizzati, basate sulla loro composizione e struttura cristallina, ricavate da grandi database per individuare il materiale o la struttura del materiale con le proprietà ideali per una specifica applicazione. Poiché un materiale potenzialmente interessante presenta spesso più proprietà desiderate, questo approccio si concentra su una proprietà alla volta, riducendo progressivamente il numero di materiali potenzialmente idonei man mano che vengono esaminate più proprietà. Ciò consente di risparmiare tempo ed energia, evitando approcci sperimentali basati su tentativi per individuare la soluzione migliore, e può accelerare lo sviluppo dei materiali. Tuttavia, queste simulazioni sono costose dal punto di vista computazionale e richiedono molto tempo o un computer con un'elevata potenza di calcolo (o entrambe le cose).

Molti metodi di modellazione computazionale operano a livello atomistico e numerose varianti dei metodi fondamentali sono state adattate a materiali e applicazioni specifici. Tra tutti gli approcci, i più comuni sono la teoria funzionale della densità (DFT), le simulazioni di dinamica molecolare (MD) e le simulazioni Monte Carlo.

• Teoria funzionale della densità (DFT): la DFT è un modello di meccanica quantistica che simula il comportamento degli elettroni in un materiale in base alla loro densità. È il metodo di struttura elettronica più diffuso per dedurre le proprietà chimiche ed energetiche, prevedendo le proprietà dello stato fondamentale (lo stato di minima energia di un atomo) e le proprietà meccaniche di un materiale.
• Dinamica molecolare (MD): la MD è un modello basato sulla fisica che prevede il comportamento e le interazioni di ogni atomo all'interno di una simulazione, fornendo inoltre informazioni su come gli atomi si muovono fisicamente nel tempo. Le posizioni e le sollecitazioni degli atomi possono essere utilizzate per prevedere le proprietà dei materiali, e il potenziale del machine learning viene sempre più integrato nelle simulazioni MD per migliorarne l'accuratezza e ridurne il costo computazionale.
• Monte Carlo: le simulazioni Monte Carlo sono algoritmi computazionali che prevedono la probabilità di un risultato attraverso campionamenti casuali ripetuti. Si tratta di uno strumento basato sulla probabilità che simula le interazioni tra particelle e sistemi complessi.

Molti strumenti computazionali vengono utilizzati anche per prevedere le proprietà dei materiali su scale molto più grandi, considerando i numerosi livelli che compongono un materiale, e non soltanto la scala atomica. Questi approcci di modellazione multiscala esaminano le proprietà macroscopiche del materiale (meccaniche, elettromagnetiche, ecc.), analizzano la microstruttura e studiano il comportamento del materiale in condizioni estreme (soprattutto per le applicazioni particolarmente impegnative).

I metodi di modellazione su scale maggiori rientrano nella modellazione a livello di continuum e utilizzano le informazioni acquisite su scale molecolari più piccole per stabilire un collegamento con il sistema di materiali su scala più ampia. Questo approccio sequenziale consente di eseguire modellazioni più precise ma computazionalmente costose al livello atomistico, seguite da modellazioni microscopiche ma meno onerose dal punto di vista computazionale una volta definiti gli elementi fondamentali.

Sebbene siano disponibili molti strumenti computazionali per la modellazione completa dei sistemi di materiali, alcuni dei più comuni includono il metodo degli elementi finiti (FEM), il metodo del campo di fase e l'accoppiamento computerizzato dei diagrammi di fase e della termochimica (CALPHAD).

• Metodo degli elementi finiti: il FEM è una simulazione numerica che suddivide un sistema di materiali complessi in una mesh di elementi più piccoli utilizzando equazioni differenziali e ciascun "elemento" può essere analizzato singolarmente. Comprendere il comportamento di ogni elemento consente agli ingegneri di capire come l'intero materiale si comporta in determinate condizioni. Il metodo FEM viene utilizzato per eseguire analisi strutturali di un materiale, nonché per studiare il trasporto di massa, il flusso dei fluidi e le proprietà elettromagnetiche di un materiale. I risultati di una simulazione FEM possono essere interpretati mediante un'analisi agli elementi finiti (FEA).
• Simulazioni del campo di fase: i modelli del campo di fase sono modelli matematici che risolvono problemi nelle interfacce dei materiali. Sono spesso utilizzati per modellare la solidificazione e la dinamica delle interfacce dei materiali e possono essere impiegati per studiare proprietà meccaniche, come la meccanica della frattura e la fragilità. Possono inoltre essere usati per costruire modelli multifase che analizzano la microstruttura di un materiale in base a determinati parametri, come l'orientamento cristallografico o una fase specifica, e possono studiare le proprietà di materiali con più fasi termodinamiche.
• CALPHAD: si tratta di un modello che produce diagrammi di fase per prevedere la stabilità di fase di un materiale a temperature e composizioni chimiche diverse. Questi modelli utilizzano le proprietà termodinamiche di ciascuna fase di un materiale per eseguire la simulazione e vengono spesso utilizzati per comprendere meglio il comportamento di un materiale in condizioni differenti.

Come qualsiasi simulazione o metodo computazionale, l'uso di un approccio basato sulla scienza computazionale dei materiali presenta vantaggi e svantaggi. Tali vantaggi e svantaggi possono anche variare in base al set di strumenti scelto, in quanto l'approccio di simulazione corretto per un materiale non è sempre adatto a un materiale diverso. Nonostante la varietà di strumenti di calcolo che possono essere utilizzati, esistono vantaggi e svantaggi di carattere generale.

Opportunità della scienza computazionale dei materiali

• Può ridurre la necessità di un'estesa attività sperimentale, sia nella sintesi dei materiali sia nei test, nelle prime fasi del ciclo di vita del prodotto, sostituendo gli approcci basati sulla sperimentazione con simulazioni mirate.
• Può essere scelta per esplorare proprietà altamente specifiche, processi, meccanismi fondamentali, ambienti di materiali e scenari di applicazione difficile da ottenere mediante la sola sperimentazione.
• Contribuisce a colmare il divario tra la scienza dei materiali di base e altri settori e ambiti di applicazione.
• Consente a molti settori di acquisire una migliore comprensione dei materiali.
• Stimola gli utenti finali a pensare in modo innovativo e a considerare i materiali come veri e propri parametri di progettazione, favorendo lo sviluppo di materiali sempre più complessi.

Limiti della scienza computazionale dei materiali

• Le informazioni ottenute sulla struttura dei materiali e sulle relazioni tra struttura e proprietà possono talvolta risultare troppo generalizzate, mentre negli esperimenti molte proprietà e parametri dei materiali sono spesso quantificabili con valori specifici.
• A causa della complessità di alcuni meccanismi, sarà necessario eseguire esperimenti per comprendere correttamente il comportamento dei materiali. Fenomeni come guasti e danni sono molto difficili da rilevare solo con il calcolo.
• Le simulazioni possono essere limitate dalla potenza computazionale disponibile, il che può comportare tempi di simulazione prolungati.

Sfide della scienza computazionale dei materiali

• La Redditività del capitale investito (ROI) non è chiara perché è difficile sviluppare una metodologia di scienza computazionale per un caso specifico.
• Si tratta di un processo costoso e lungo che è vantaggioso solo se la metodologia viene riutilizzata, in quanto altrimenti non si giustificherebbe l'investimento.
• Spesso è necessaria una specifica competenza interdisciplinare per sfruttare tutti i vantaggi dei modelli computazionali.

Come menzionato in precedenza, l'uso degli algoritmi di intelligenza artificiale si sta diffondendo sempre più nella scienza computazionale dei materiali, ma in che modo l'intelligenza artificiale aiuta gli ingegneri nei campi dell'ingegneria dei materiali e dell'ingegneria meccanica?

La tecnologia dell'intelligenza artificiale trova sempre più applicazioni a livello atomistico-microscopico, contribuendo a migliorare le capacità predittive dei software di simulazione e consentendo di individuare le proprietà dei materiali con maggiore precisione. Anche il machine learning sta avendo un grande impatto sulle simulazioni MD creando un livello di precisione simile a quello della DFT. La precisione offerta dalla DFT è generalmente più alta. Stanno emergendo altre applicazioni di intelligenza artificiale, ad esempio analisi automatizzate della caratterizzazione, laboratori autonomi, ottimizzazione dei processi e modellazione multiscala.

I rapidi progressi nelle tecnologie di intelligenza artificiale commerciale indicano che sono disponibili numerose opzioni e l'intelligenza artificiale in uso sta migliorando l'accessibilità alle informazioni delle scienze dei materiali. L'uso dell'intelligenza artificiale nella scienza computazionale dei materiali è ancora in fase di transizione; una più ampia integrazione su un numero maggiore di strumenti sarà probabilmente raggiunta quando si verificherà una delle seguenti condizioni:

• emergerà una reale necessità tecnica di utilizzarla;
• diventerà più conveniente, in termini di costi, per la comunità scientifica dei materiali impiegarla in un numero maggiore di ambiti della progettazione dei materiali.

Con l'avanzare della tecnologia, i nuovi materiali stanno diventando sempre più complessi per raggiungere funzionalità e caratteristiche avanzate. È quindi più importante che mai utilizzare al meglio tutti gli strumenti a disposizione durante le diverse fasi di progettazione dei materiali.

Sebbene Ansys, part of Synopsys, possa offrire supporto a livello macroscopico, esiste un'ampia gamma di strumenti di simulazione per gli scienziati dei materiali che consente la simulazione multiscala dei materiali. È importante sottolineare che, quando si tratta di simulare la struttura e le proprietà di un sistema di materiali, non esiste un approccio universale valido per tutti i casi. A seconda del materiale e dell'applicazione considerata, è possibile utilizzare un'ampia combinazione di strumenti di simulazione, dagli strumenti interni utilizzati in Ansys ad approcci basati su Python.

Di seguito sono riportati alcuni esempi di strumenti Ansys utilizzabili durante le fasi di progettazione dei materiali.

• ANSYS LS DYNA - Software di simulazione strutturale dinamica non lineare: il software LS-DYNA consente di effettuare simulazioni multiscale che combinano la scala microscopica con quella macroscopica.
• Ansys Materials Designer: lo strumento Materials Designer può essere utilizzato per esplorare le reti di materiali e analizzarne la microstruttura. Lo strumento fornisce anche un componente aggiuntivo nativo e un'interfaccia intuitiva per studi di omogeneizzazione.
• Ansys Granta - Raccolta di informazioni sui materiali, selezione e gestione dei dati di Ansys Granta: è possibile utilizzare il software Granta per gestire i dati dei materiali e supportare diversi modelli durante il processo di progettazione. Inoltre, i plug-in Granta AI possono essere utilizzati per migliorare la gestione e il supporto dei dati.
• Ansys Minerva - Software di gestione dei dati e dei processi di simulazione: il software Minerva fornisce dati di simulazione e di processo sicuri per garantire la tracciabilità di tutte le simulazioni e i dati generati durante l'intero processo di progettazione dei materiali.
• Ansys Mechanical - Software di analisi strutturale a elementi finiti: con il software Mechanical, la plasticità cristallina e MAPDL possono essere utilizzati per simulazioni multiscala che combinano la microscala con la macroscala. Durante il test di volumi elementari rappresentativi (RVE) con fasi differenti, i vincoli periodici possono essere simulati attraverso vincoli multipoint (MPC).

Ansys personalizza l'approccio per soddisfare le esigenze del processo di progettazione dei materiali grazie all'esperienza dei propri ingegneri di simulazione e materiali. Per individuare la combinazione ottimale di strumenti per i propri sistemi di materiali, è possibile contattare il nostro team di progettazione per ottenere una soluzione di simulazione personalizzata.

Risorse correlate