Cada año se producen en todo el mundo aproximadamente 2.000 millones de toneladas métricas de metal para satisfacer las demandas de la industria, la infraestructura y el sector energético. Gran parte de esta producción aún depende de materias primas primarias, lo que contribuye a un estimado del 40 % de las emisiones industriales de gases de efecto invernadero y al 10 % del consumo energético mundial. Aumentar el uso de metales reciclados podría reducir significativamente el impacto ambiental de la producción de metales, a la vez que disminuiría la dependencia de las importaciones de materias primas escasas y estratégicamente importantes.
Sin embargo, el reciclaje de metales presenta importantes desafíos. A diferencia de las materias primas primarias, la chatarra metálica suele variar considerablemente en su composición química y puede contener elementos indeseados. Estas variaciones pueden comprometer las propiedades mecánicas de las aleaciones recicladas, lo que dificulta la producción de materiales de alto rendimiento que cumplan con las exigentes demandas industriales.
Un equipo internacional de científicos ha desarrollado una nueva estrategia de aprendizaje automático que convierte este desafío en una oportunidad. En lugar de tratar las impurezas de la chatarra metálica como contaminantes indeseados, los investigadores las utilizan activamente como elementos de aleación. Las aleaciones resultantes, denominadas “aleaciones sucias”, no solo toleran mejor las variaciones en la composición de la chatarra, sino que también presentan mejores propiedades mecánicas y menores costes de producción. Los científicos publicaron sus hallazgos en la revista Science Advances .
La inteligencia artificial relaciona la composición directamente con las propiedades de la aleación.
«El método convencional para tratar las impurezas en la chatarra metálica consiste en diluirlas añadiendo material virgen. Sin embargo, esto menoscaba los beneficios medioambientales del reciclaje, ya que la producción de metales vírgenes requiere grandes cantidades de energía y genera importantes emisiones de CO₂. Por ello, hemos desarrollado una nueva estrategia de aprendizaje automático que transforma estas impurezas de un problema en una ventaja, lo que nos permite diseñar aleaciones que no solo toleran los contaminantes, sino que incluso pueden beneficiarse de ellos», explica el Dr. Liuliu Han, jefe de grupo del Instituto Max Planck de Materiales Sostenibles y uno de los autores principales de la reciente publicación.
La principal ventaja del nuevo marco de aprendizaje automático radica en que vincula la composición de la aleación y las condiciones de procesamiento con el rendimiento deseado, sin depender en gran medida de las características microestructurales. Partiendo de diseños de aleación existentes, un algoritmo de búsqueda en árbol genera nuevos candidatos variando la composición y parámetros de procesamiento como la temperatura y el tiempo dentro de rangos predefinidos. Los modelos de redes neuronales predicen la resistencia a la tracción y la elongación de cada candidato, guiando la búsqueda hacia combinaciones que podrían mejorar el equilibrio óptimo entre resistencia y ductilidad. El algoritmo equilibra el perfeccionamiento de diseños prometedores con la exploración de regiones menos estudiadas del espacio de diseño.
Un segundo modelo, entrenado con un conjunto de datos más amplio sobre composición y propiedades, realiza un análisis más exhaustivo de los candidatos preseleccionados antes de que los diseños elegidos se fabriquen y prueben. Los resultados experimentales se añaden a la base de datos para actualizar el modelo predictivo y guiar la siguiente ronda de optimización, mejorando progresivamente las recomendaciones mediante un ciclo de optimización y retroalimentación experimental. Esto hace que el método sea más rápido y viable.
Aleaciones sucias con propiedades mecánicas mejoradas
Los científicos utilizaron hierro dúctil como material modelo, conocido por su alta tolerancia a las impurezas y su relevancia industrial, con una producción anual mundial de 120 millones de toneladas métricas. Probaron 17 diseños de hierro dúctil sugeridos por el marco de trabajo; 14 demostraron tener las mejores combinaciones de resistencia y ductilidad en el conjunto de datos existente de hierro reciclado. En relación con esa referencia, la resistencia a la tracción aumentó hasta un 15,2% con una elongación comparable, o la elongación a la fractura aumentó hasta un 73,2% con una resistencia a la tracción comparable. Además, los costos de fabricación fueron un 8,1% menores que para la ruta convencional, que mezcla chatarra con hierro virgen.
El equipo demostró cómo las aleaciones fabricadas íntegramente con chatarra pueden superar a los materiales obtenidos mediante síntesis primaria y tener un menor impacto ambiental. De cara al futuro, este enfoque podría extenderse más allá del hierro dúctil a aceros reciclados, aluminio y aleaciones de cobre, ampliando así sus posibles aplicaciones en el transporte, la energía y la fabricación industrial.
Un siguiente paso prometedor sería integrar sistemas de IA multiagente con plataformas experimentales automatizadas, permitiendo que agentes especializados coordinen el diseño de aleaciones, la planificación experimental, el control de procesos y la interpretación de resultados. Esto podría posibilitar un ciclo más autónomo en el que los hallazgos experimentales guíen las decisiones posteriores de diseño y fabricación, acelerando el desarrollo de aleaciones y adaptándose a las variaciones en la composición de la chatarra. Dichos avances también podrían ayudar a descubrir nuevas formas de utilizar las impurezas como elementos de aleación beneficiosos.
Fuente: Phys.org.