The Automated Design of Materials Far From Equilibrium

این پایان نامه چارچوب جدیدی را برای طراحی موادی که از تعادل دور هستند را مفهوم سازی و پیاده سازی می کند. با شروع موتورهای بهینه‌سازی پیشرفته، یک سیستم خودکار را توصیف می‌کند که از شبیه‌سازی‌ها و پرینت سه‌بعدی برای یافتن موادی استفاده می‌کند که به بهترین نحو یک هدف مشخص شده توسط کاربر را انجام می‌دهد. تشخیص اینکه کدام ویژگی های میکروسکوپی رفتار ماکروسکوپی مطلوبی را ایجاد می کند، مشکلی در خط مقدم علم مواد است. این وظیفه طراحی مواد است و در درون آن، اهداف و چالش‌های جدیدی از تطبیق پاسخ مواد به دور از تعادل پدید آمده است. این مواد دارای خواص امیدوار کننده ای مانند استحکام، استحکام بالا و خود ترمیمی هستند. با این حال، بدون یک نظریه کلی برای پیش‌بینی چگونگی ظهور این ویژگی‌ها، طراحی و کنترل آنها یک مشکل پیچیده و مهم را ارائه می‌کند. به عنوان اثبات مفهوم، این پایان نامه نشان می دهد که چگونه می توان رفتار مواد دانه ای، به عنوان مثال، مجموعه ای از اجسام همسان حرارتی، ماکروسکوپی را با شناسایی اشکال ذرات که سفت ترین، نرم ترین، متراکم ترین، شل ترین، اتلاف کننده ترین و سفت ترین سنگدانه ها را تشکیل می دهند، طراحی کرد. . به طور کلی تر، این پایان نامه نشان می دهد که چگونه این نتایج به عنوان نمونه های اولیه برای مشکلات در قلب طراحی مواد عمل می کنند و از این دیدگاه حمایت می کند که ماشین ها کلید تبدیل اشکال پیچیده مواد به عملکردهای جدید مواد هستند.

This thesis conceptualizes and implements a new framework for designing materials that are far from equilibrium. Starting with state-of-the-art optimization engines, it describes an automated system that makes use of simulations and 3D printing to find the material that best performs a user-specified goal. Identifying which microscopic features produce a desired macroscopic behavior is a problem at the forefront of materials science. This task is materials design, and within it, new goals and challenges have emerged from tailoring the response of materials far from equilibrium. These materials hold promising properties such as robustness, high strength, and self-healing. Yet without a general theory to predict how these properties emerge, designing and controlling them presents a complex and important problem. As proof of concept, the thesis shows how to design the behavior of granular materials, i.e., collections of athermal, macroscopic identical objects, by identifying the particle shapes that form the stiffest, softest, densest, loosest, most dissipative and strain-stiffening aggregates. More generally, the thesis shows how these results serve as prototypes for problems at the heart of materials design, and advocates the perspective that machines are the key to turning complex material forms into new material functions.