Blog

Jul 26, 2023

Un novedoso enfoque de aprendizaje automático para la cuantificación de la rugosidad de la superficie y la optimización del molde

Scientific Reports volumen 13, Número de artículo: 13369 (2023) Citar este artículo 343 Accesos Detalles de métricas La rugosidad de la superficie tiene un impacto negativo en la vida útil de los materiales. Acelera las picaduras

Scientific Reports volumen 13, número de artículo: 13369 (2023) Citar este artículo

343 Accesos

Detalles de métricas

La rugosidad de la superficie tiene un impacto negativo en la vida útil de los materiales. Acelera la corrosión por picaduras, aumenta la transferencia de calor efectiva y aumenta la tasa de pérdida de carga efectiva. Sin embargo, en muchas aplicaciones es deseable una rugosidad superficial controlada. La batería de plomo-ácido del automóvil es muy sensible a estos efectos. En nuestro caso de estudio, la máquina de fundición sobre correa tiene el mayor efecto sobre la rugosidad de la superficie de la aleación de plomo-antimonio. En este sentido, las funciones de correlación estadística se utilizan comúnmente como descriptores morfológicos estadísticos para funciones de correlación heterogéneas. Las funciones de correlación de dos puntos son herramientas fructíferas para cuantificar la microestructura de estructuras de materiales de dos fases. En este documento, demostramos el uso de la función de correlación de dos puntos para cuantificar la rugosidad de la superficie y optimizar los polos y correas de plomo-antimonio utilizados en la batería de plomo-ácido como una solución para reducir su corrosión electroquímica cuando se utilizan en medios altamente corrosivos. Sin embargo, inferimos que este método se puede utilizar en el mapeo de rugosidad de superficies en una amplia gama de aplicaciones, como tuberías sumergidas en agua de mar y corte por láser. Se investiga la posibilidad de utilizar la información obtenida de la función de correlación de dos puntos y aplicar el procedimiento de recocido simulado para optimizar las microirregularidades de la superficie. Los resultados mostraron una representación y optimización de superficies exitosas que concuerdan con la hipótesis propuesta inicialmente.

La joya de la corona de la ciencia de los materiales es el tetraedro de materiales. Conocer esas importantes relaciones entre sus componentes es la clave para diseñar nuevos materiales con las propiedades deseadas. Las características de la superficie pueden ayudar a predecir el fallo de los materiales. En la industria de las baterías de plomo-ácido, los polos y correas (conectores entre cada celda electroquímica) son importantes para la conexión de corriente eléctrica y térmica en la batería1. Por lo tanto, controlar la aparición de grietas superficiales en dichos materiales es crucial para mejorar el rendimiento de la batería y los procesos de fabricación, así como para ayudar en el diseño de componentes de batería de plomo de menor masa, reduciendo así el consumo de plomo y la toxicidad. Los polos y las correas se muestran en la Fig. 1. Si bien los polos son los terminales de la batería, las correas conectan las placas positivas entre sí y las placas negativas entre sí en cada celda de batería de 2,1 V para formar una pila de batería de 12,6 V2. Durante el proceso de soldadura de las placas a cada correa, las orejetas de las placas se funden y se sueldan produciendo una superficie muy rugosa. Las correas de la batería se sumergen en un medio corrosivo (ácido sulfúrico de 1,27 a 1,28 g sp.)2. Las superficies rugosas influyen en la corrosión electroquímica de los materiales, lo que resulta en una mala conductividad eléctrica, conductividad térmica y el inicio de grietas por fatiga durante la operación3,4,5. Hemos observado empíricamente que muchos polos de baterías explotaron bajo altas tasas de descarga. La rugosidad es el principal parámetro de influencia en la corrosión general que se investiga ampliamente en otros sistemas de materiales en la literatura. Sin embargo, en nuestro sistema, producir polos y conectores entre celdas con la superficie rugosa puede hacer lo mismo que otros sistemas metálicos, aumentando la corrosión; se pueden producir trayectorias de cavidades debido a la fragilización gaseosa que conduce a la propagación de grietas superficiales hacia el núcleo. Mientras la batería está en funcionamiento, los gases continuos de hidrógeno y oxígeno se elevan debido a la reacción química; las vibraciones de la batería también pueden provocar fatiga si hubo grietas iniciales influenciadas por la corrosión. En muestras de corrosión altamente progresiva, las cavidades de mayor diámetro y las rutas de corrosión que se encuentran en los polos también pueden provocar una explosión de los polos influenciada por las contracciones de la superficie, lo que limita cualquier intento de mejorar la ciclabilidad de la batería en condiciones de corrosión altamente progresiva.

(Créditos: German Co. por la fabricación de baterías).

Polos y correa para baterías de plomo-ácido.

Los postes y correas están hechos de una aleación de plomo-antimonio (Pb-Sb), que tiene un amplio rango de congelación. En el instante en que el componente se solidifica en la máquina de colada sobre correa, la fase líquida de la aleación Pb-Sb tiene una densidad menor que la fase sólida, lo que provoca la contracción de los granos durante la solidificación2. La contracción abierta aparece en la superficie como picaduras, lo que afecta la velocidad de corrosión y la conducción de corriente. La contracción abierta superior que está conectada a la batería del automóvil, los terminales pierden la conexión y causan la fusión de los terminales con altas corrientes de descarga. Una contracción abierta más baja en piezas sumergidas en H2SO4 diluido o en el camino del desprendimiento de hidrógeno y oxígeno puede iniciar el agrietamiento por corrosión bajo tensión, lo que lleva a la fractura por fatiga de postes o correas6. La contracción cerrada aparece como cavidades que reducen la conductividad térmica y eléctrica efectiva o incluso la fusión de los polos de la batería y la fractura de la correa en condiciones extremas. La contracción se puede controlar optimizando las condiciones de operación, como la temperatura de vertido, la temperatura del molde, la temperatura de enfriamiento del agua, el caudal de agua de enfriamiento y el diseño de los elevadores y canales del molde7. Los problemas de corrosión, pérdida de agua y sulfatación de las placas positivas se investigaron intensamente en la literatura y se recomendaron muchas soluciones2. A pesar de todas esas investigaciones, la corrosión de las correas no se ha investigado exhaustivamente a pesar de que podría ser una razón común de falla, especialmente cuando se utilizan aditivos 2D para mejorar la vida útil de la batería, como en las baterías de plomo-ácido de los automóviles modernos8. Este tipo de grietas por corrosión se propaga bajo la tensión de las vibraciones durante el funcionamiento de la batería.

Para analizar y predecir el efecto de la rugosidad de la superficie en diferentes materiales, se han encontrado muchos enfoques en la literatura, que generalmente se aplicaron a máquinas de corte como un controlador principal lógico de la rugosidad de la superficie. La primera clase de enfoques son los enfoques de la teoría del mecanizado (MTA). Estos enfoques dependen del principio de funcionamiento de las máquinas productoras de superficies, como las herramientas de corte. El principio de funcionamiento y las condiciones operativas de las máquinas se tienen en cuenta para producir un modelo geométrico utilizando una herramienta de diseño asistido por computadora (CAD) para predecir la rugosidad de la superficie. Por ejemplo, máquinas cortadoras de virutas. El modelo matemático se basa en la teoría de la fricción mecánica molecular y la teoría de la plasticidad de Hencky-Ilyushin. Desafortunadamente, este enfoque puede verse fácilmente afectado por cualquier cambio mecánico. Dependiendo de las condiciones de la herramienta de corte, los parámetros, la geometría y el movimiento relativo entre la pieza de trabajo y la herramienta de corte. Se implementaron supuestos de simulación de topografía de superficie para lograr una cuantificación y predicción exitosas del perfil de la superficie. A pesar de la precisión de los modelos de enfoque de la teoría del mecanizado, no son completos y requieren muchos factores complejos que pueden contribuir a la rugosidad de la superficie a considerar y la máquina debe estar en sus condiciones óptimas, lo que no es el caso de las máquinas con una vida útil más larga. .

Otra clase de enfoques es el Enfoque de Investigación Experimental, que se utiliza a menudo cuando no existe una relación clara entre las causas y los efectos del perfil de la superficie. Depende de la comprensión que tenga el investigador de lo que realmente sucede en el material. En este enfoque, las señales de vibración o aceleración se envían a un analizador que produce archivos ASCII. La velocidad de corte, la profundidad de corte, la velocidad de avance y el ángulo de aproximación de corte son parámetros importantes que deben tenerse en cuenta en el análisis de la superficie. Este enfoque es manejable, dependiendo de la profundidad de la comprensión de los fenómenos de la ingeniería de materiales, y los resultados son precisos. Sin embargo, no es exhaustivo ni específico para máquinas concretas, y es necesario considerar demasiados factores9.

El enfoque de experimentos diseñados tiene un enfoque experimental sistemático estadístico en el que se requiere la repetición del experimento para adquirir suficientes datos para ser analizados. Al principio, se determinan los parámetros experimentales (factores que afectan la rugosidad de la superficie), como la profundidad de corte, la velocidad de corte, etc. Se diseña y aplica un experimento factorial de dos niveles para recopilar datos. Intentamos preservar el camino del ascenso más pronunciado eligiendo un factor de referencia y usándolo como estándar para dibujar el camino apropiado para cada factor del experimento. Luego hacemos pruebas y nos aseguramos de que no haya ninguna desviación del camino de ascenso más empinado. Si la respuesta no produce una mejora sustancial, se necesita un diseño factorial de tres niveles para mantener el camino del ascenso más pronunciado con una buena respuesta. Se registrarán las condiciones de los puntos estacionarios. El enfoque de los experimentos diseñados ayudó a determinar qué parámetros de la máquina afectan más la rugosidad de la superficie y la influencia de la herramienta de corte y los materiales de la pieza de trabajo. Sin embargo, solo muestra la relación parámetro-respuesta y lleva mucho tiempo recopilar datos, pero fue el comienzo para desarrollar modelos de primer y segundo orden9.

Por fin, el enfoque de inteligencia artificial o, como se conoce ampliamente, el enfoque de IA es el enfoque más prometedor en el análisis y optimización de superficies. Al simular cómo la mente humana puede procesar información y tomar decisiones, se han desarrollado muchos sistemas y algoritmos. La más conocida es la Red Neuronal Artificial (RNA). Las ANN se basan en muchas suposiciones, se definen como elementos simples que procesan información, transmiten señales a través de enlaces de conexión, cada enlace de conexión tiene pesos asociados que multiplican las señales transmitidas y la señal de salida se determina empleando una función de activación de la señal entrante. de cada neurona9. La RNA de retroalimentación es una RNA típica en la que la conexión entre nodos no forma un ciclo completo. Las entradas se multiplican por pesos y luego se suman para obtener una suma de valores de entrada ponderados. Si la suma está por debajo del umbral, el valor de salida es − 1, y si está por encima de él, el valor es 1. Esta arquitectura simple es útil cuando se necesitan muchas ANN individuales para recopilar datos y luego sumarlas para dar como resultado una salida coherente. Mediante el uso de una programación sencilla, podemos trabajar incluso con datos incompletos para obtener resultados precisos. En el trabajo de Deshpande et al.10, introdujeron un modelado ANN para la aleación Inconel 718 utilizando insertos de carburo tratados criogénicamente y sin tratar. Se utilizaron parámetros de corte, factores de sonido, fuerza y ​​vibración para predecir la rugosidad de la superficie con una precisión de hasta el 98%. A pesar de la alta precisión de su modelo, en muchos casos de mecanizado donde la rugosidad de la superficie es de vital importancia, se deben introducir muchos factores como técnica general para cada maquinaria10.

En nuestro modelo, el método de cuantificación y optimización de la superficie es un modelo general, lo hemos utilizado para el sistema de materiales Pb-Sb en la industria de baterías de plomo-ácido. Ofrece una evaluación del componente después del mecanizado, no requiere datos durante la operación (muestra terminada), cumple con diferentes sistemas de materiales ya que no depende de parámetros mecánicos y la optimización de la superficie es muy precisa independientemente de las condiciones de mecanizado.

Con este fin, las funciones de correlación estadística son descriptores de microestructuras que pueden usarse para implementar tecnología inteligente en muchas aplicaciones industriales. En general, la representación más común es la función de correlación de puntos \(n\) estándar \(S_{n}\) cuando n se expande de 1 a ∞. Se conoce como la probabilidad de encontrar n puntos o eventos de materiales que puedan usarse para cuantificar materiales heterogéneos, materiales policristalinos y materiales de enlace direccionales. Las funciones de correlación se utilizaron significativamente para predecir las propiedades efectivas de dichos materiales11,12. Los materiales heterogéneos suelen estar compuestos de diferentes fases. Aquí, presentamos el uso de una función de correlación estadística de dos puntos, ampliamente utilizada para cuantificar aleaciones binarias, para estudiar la rugosidad de la superficie de la aleación Pb-Sb. La idea depende del hecho de que esas aleaciones tienen dos fases y la textura de la superficie tiene depresiones a una altura distinta, como lo revela la imagen de microscopía de fuerza atómica. En otras palabras, los valles superficiales se pueden traducir en dominios de material de dos fases.

Considere un material heterogéneo de dos fases (por ejemplo, una aleación binaria) que consta de la fase 1, una región Ѵ1 de fracción de volumen ϕ1 con un coeficiente de propiedad general K1, y la fase 2, una región Ѵ2 de fracción de volumen ϕ2 = (1−ϕ1) con un coeficiente de propiedad general K2. Ambas fases son estáticas e independientes del tiempo ya que asumimos que Ѵ1 ∪ Ѵ2 = Ѵ y Ѵ1 ∩ Ѵ2 = 0. Debido a que las propiedades dependen de la estructura, K1 y K2 pueden ser coeficientes de cualquier propiedad (mecánica, química, eléctrica,…, etc.), ver Fig. 2.

Esquema de un material aleatorio de dos fases.

Sea la probabilidad de cualquier punto x (en la fase 1) es \(I^{\left( 1 \right)} \left( x \right)\):

\({I}^{(1)}\left(x\right)\) se llama indicador de fase. En otras palabras, si computacionalmente arrojamos un punto arbitrario \({I}^{(1)}\left(x\right)\), será igual a 1 si está ubicado en la fase 1 y 0 en caso contrario. Lo mismo para la fase 2, \(I^{\left( 2 \right)} \left( x \right)\) es el indicador de fase de la fase 2 y

Dado que la fase 1 y la fase 2 son independientes entre sí y complementarias, es decir, ϕ2 = (1−ϕ1):

En general, la función indicadora de fase es

Como mencionamos, la fase \(\user2{i }\) puede ser sólida, fluida o vacía. La función indicadora de superficie/interfaz es

Las funciones de probabilidad en el diseño de materiales para una distribución de dominio de material determinada o una celda base periódica se pueden representar como un número de elementos finitos considerando condiciones de contorno periódicas. Las funciones estadísticas y la reconstrucción pueden encontrar la distribución efectiva y óptima de aquellos dominios o fases (sólidos, líquidos, vacíos) de manera que la función objetivo se minimice. En cuanto al primer paso, capturaremos información sobre la microestructura utilizando las funciones de correlación. Luego, aplicamos Monte Carlo para reconstruir el dominio y obtener la información de la reconstrucción mediante la función de correlación11. Los píxeles de imágenes digitalizadas se pueden utilizar para identificar diversas propiedades, como la distribución de campos eléctricos o magnéticos, la variación en las propiedades físicas del medio, la geometría de la estructura, los campos de velocidad y la velocidad de la temperatura. Como nueva dimensión, aquí presentamos su uso para identificar irregularidades superficiales.

La función de correlación de dos puntos se puede definir como:

Es uno de los descriptores estadísticos de microestructura más utilizados. Es la probabilidad de que dos puntos aleatorios \(x_{1}\) y \(x_{2}\) estén ubicados en la misma fase. Para medios estáticamente homogéneos e isotrópicos, las funciones de correlación de dos puntos dependen sólo de la distancia \(r = \left| {x_{1} - x_{2} } \right|\). Cuando los dos puntos coinciden (es decir, \(r = 0\)), la función de correlación de dos puntos se trata como una función de correlación de un punto y es igual a la fracción de volumen de la fase \(i \to S_{2}^ {\left( i \right)} \left( 0 \right) = \phi_ {i}\). En un material de dos fases, la relación entre la correlación de fases de dos puntos se define como:

La función de autocovarianza asociada se define como:

Una condición crucial de \(S_{2}^{\left( i \right)}\) para un material homogéneo de dos fases con dimensiones d es que la transformada d-dimensional de Fourier de \(\chi \left( r \ derecha)\) no será negativa para todos los vectores de onda \(k,\), es decir, la función espectral es semidefinida positiva.

\(\tilde{\chi }\left( k \right)\) es proporcional a la intensidad de la radiación dispersa.

Para todo \({\varvec{r}}\), las funciones de correlación de dos puntos deben satisfacer la condición \(0 \le {\varvec{S}}_{2}^{{\left( {\varvec{ i}} \right)}} \left( {\varvec{r}} \right) \le \phi_{{\varvec{i}}}\) por lo tanto, la función de autocovarianza correspondiente viene dada por:

En cuanto a los medios homogéneos e isotrópicos (es decir, \(S_{2}^{\left( i \right)} \left( {\varvec{r}} \right)\) dependen de las distancias relativas), la derivada \ (r = 0\) debe ser negativo para todo \(0 < \phi_{i} < 1\):

Una condición más para medios estadísticamente homogéneos es,

donde \(r = t - s\).

Al comprender la naturaleza de la función de correlación de dos puntos, obviamente podemos descubrir que los límites de \(S_{2}\) se pueden expresar como:

Generalmente, la función de correlación de dos puntos es una de las funciones de probabilidad más importantes y ampliamente utilizadas para cuantificar teóricamente las características morfológicas de cualquier sistema material. Para medios homogéneos, se puede adquirir arrojando al azar segmentos de línea de longitud \(r\) con una orientación específica y contando la fracción de veces que \(x_{1}\) y \(x_{2}\) se encuentran en la misma fase11.

La función de ruta lineal es una atractiva función de correlación de orden inferior. Para medios estadísticamente homogéneos e isotrópicos, mide la probabilidad de que un segmento de línea aleatorio de longitud \(\user2{r }\) se encuentre completamente en la misma fase de interés \({\varvec{i}}\) a lo largo de \({\ varvec{r}}\) dirección. \({\varvec{L}}^{{\left( {\varvec{i}} \right)}} \left( {\varvec{r}} \right)\) contiene información sobre la conectividad topológica lineal parcial de la microestructura del material, ver Fig. 3. Como \({\varvec{r}} = 0\), la función de trayectoria lineal se contrae sobre sí misma y puede tratarse como una probabilidad de encontrar solo un punto en la fase de interés (es decir, \({\varvec{L}}^{{\left( {\varvec{i}} \right)}} \left( 0 \right) = \user2{ }\phi_{{\varvec{ i}}}\)) y para \({\varvec{r}} \to \infty\) tenemos \({\varvec{L}}^{{\left( {\varvec{i}} \right )}} \left( \infty \right) = 0\). Para medios homogéneos y anisotrópicos, \({\varvec{L}}^{{\left( {\varvec{i}} \right)}} \left( {\varvec{r}} \right)\) solo depende de la magnitud del vector \({\varvec{r}} = {\varvec{x}}_{2} - {\varvec{x}}_{1} ,\) mientras que depende de las posiciones absolutas \ ({\varvec{x}}_{1}\) y \({\varvec{x}}_{2}\) para materiales no homogéneos11.

Representación de diferentes funciones de correlación en un material de dos fases.

Para nuestra muestra, obtuvimos nuestra muestra directamente de una máquina de fundición sobre correa, antes de eso, la aleación de Pb-Sb podría producirse refinando Pb al 99,985% y luego alearse con Sb para obtener la composición de la aleación que se muestra en la Tabla 1. Las muestras a gran escala no son muestras ideales, ya que el procesamiento puede alterar extremadamente las propiedades de los materiales. Muchos problemas, en la mayoría de los materiales producidos a escala industrial, no han sido investigados ampliamente en la literatura. Esto se debe simplemente a que, a escala de laboratorio, normalmente utilizamos las condiciones ideales solo para eliminar el problema no deseado y mantenernos enfocados en las principales propiedades ideales. Por otro lado, es posible que los investigadores se detengan en este punto y no presten atención a los problemas reales que pueden aparecer durante la fabricación.

Para ilustrar las condiciones de procesamiento en la máquina de fundición sobre correa (COS), las piezas principales deben estar funcionalmente automatizadas, consulte la Fig. 4. Se utiliza un horno a una temperatura de 470 °C para fundir la aleación. Luego, la aleación fundida se bombea a través de tuberías hasta el molde principal con una velocidad específica y se vierte en las cavidades del molde en 2,2 segundos o dependiendo del diseño de cada tipo de batería. El molde tiene un sistema de refrigeración por agua con caudal constante y temperatura del agua constante que no llega a 120 °C, pero en la mayoría de los casos, la temperatura de enfriamiento es de 110 °C durante 8 s. La muestra se tomó del horno, se enfrió en agua durante 8 segundos y se cortó en pedazos, luego se pulió su superficie para prepararla para la obtención de imágenes.

Ilustración esquemática de los pasos generales de la cuantificación de materiales.

Nuestro interés es determinar las características de la superficie de la aleación Pb-Sb, incluida la rugosidad y los defectos superficiales que actúan como sitios activos para promover la corrosión de la aleación Pb-Sb durante la operación. La Figura 5 muestra un poste de batería de plomo-ácido corroído que funcionó durante 8 meses, junto con una imagen SEM que muestra el inicio de la grieta. Además, las imágenes de microscopía de fuerza atómica (AFM) se muestran en la Fig. 6. La imagen de AFM se convirtió en una imagen binaria en escala de grises utilizando MATLAB. Las imágenes se procesaron utilizando un código C++ interno para extraer los datos de las imágenes binarias y producir mapas de probabilidad para la estructura. En el código de programación, los píxeles negros se establecieron como los datos de características de interés, mientras que los píxeles blancos representan los datos de la matriz, consulte la Fig. 7. Se utilizó una imagen binaria con un umbral distinto para eliminar la multitud de escalas espaciales que pueden complicarse en las imágenes en escala de grises de la superficie. Esto proporciona una representación clara de los picos y valles en la textura de la superficie y permite utilizar imágenes de menor resolución con fines de cálculo.

(Créditos: empresa alemana de fabricación de baterías).

Poste de batería de plomo-ácido corroído que funcionó durante 8 meses, aproximadamente 10 870 millas, y una imagen SEM que muestra iniciaciones de grietas a una escala de 20 µm.

Imágenes AFM de la topografía de la superficie de la muestra de Pb-Sb a 100 nm.

Imagen binaria de la topografía de la superficie de una muestra de Pb-Sb con \(\phi_{{\text{i}}} = 0.038\).

Las características de la estructura se calcularon utilizando una combinación de la función de correlación de dos puntos \(S_{2} \left( r \right)\) y la función de ruta lineal \(L\left( r \right)\). En la Fig. 7b se muestra una imagen de la superficie de un corte de muestra de fundición sobre correa de Pb-Sb, donde las áreas negras indican puntos de mayor tenacidad superficial, que es la fase de interés, y las áreas blancas muestran alturas de rugosidad iguales del sólido. fase.

Para simplificar, en la caracterización solo se utilizaron imágenes binarias cuadradas de longitud MAXX, siendo MAXX un número par. Tenga en cuenta que la función de correlación de dos puntos para un medio estadísticamente homogéneo se puede interpretar como la longitud total del segmento de línea y que ambos extremos se encuentran completamente en la misma fase. En el muestreo \(S_{2}\), calculamos la probabilidad de la fracción de veces que las distancias entre un píxel negro \(i\) y todos los demás píxeles circundantes \(j\) de píxeles negros separados con éxito por distancias \( r\) de modo que el punto final esté ubicado en el centro de los píxeles del número total de pruebas de segmentos de línea de lanzamiento. Muestreo de la función de correlación de dos puntos solo a lo largo de las direcciones principales de la red hipercúbica, principalmente en filas o columnas en 2-D. Por lo tanto, \(S_{2}\) es una función lineal de distancias entre los píxeles adyacentes13.

donde \(f\) es la parte fraccionaria de \(i\).

La función de ruta lineal \(L\left( r \right)\) presenta la probabilidad de encontrar un segmento de línea completo de longitud \(r\) en la fase de interés. El muestreo \(L\left( r \right)\) es sencillo, detectamos un punto A en una línea orientada en dirección ortogonal y movemos A a lo largo de esta línea hasta que encontramos otras fases en el punto B. Luego, calculamos la relación entre líneas de longitudes con igual distancia entre AB y el número total de todas las líneas insertadas con todas las longitudes. Considere que las longitudes de los segmentos de línea en direcciones ortogonales se almacenan en un contador de matriz \(L\left[ r \right],\) mientras que \(r \le r_{i}\) es un valor entero que aumenta en 1 y \(r_{i) }\) es la longitud de la línea \(i{\text{th}}\).

Al aplicar el código a la imagen digitalizada que se muestra en la Fig. 8, se obtuvieron las funciones de probabilidad de la estructura de la superficie. La información contenida en \(S_{2} \left( r \right)\) y \(L\left( r \right)\) era similar, mostrando la fracción de volumen de la parte muy rugosa del corte de muestra \( \phi_{1} = 0.03836\) y la superficie lisa con una fracción de volumen \(\phi_{2} = 0.96164,\) ver Fig. 8.

Datos recopilados mediante el uso de (a) función de correlación de dos puntos y (b) función de ruta lineal para la topografía de superficie de una muestra de Pb-Sb con \(\phi_{{\text{i}}} = 0,038\) aproximado. .

Con respecto a los datos recopilados de \(S_{2}\), la primera parte de los datos casi no muestra fluctuaciones, lo que revela que casi todos los segmentos de línea están a distancias de \(r \le 23\) píxeles. Esto significa que la mayor parte de la fracción de volumen superficial con la misma altura de rugosidad tiene diámetros \(r \le 23\). Además, como la conexión \(S_{2} \left( 0 \right)\) 2 puntos dentro de la misma fase y \(L\left( 0 \right)\) es la línea dentro de la misma fase que la distribución espacial \(S_{2} \left( 0 \right)\) en valores pequeños de \(r\) pueden ser iguales a las rutas lineales \(L\left( 0 \right)\) ya que no son muy complicadas en r pequeños pero muy complicado para \(r\) grandes. Considerando la imagen binaria en la Fig. 8b, \(\phi_{i} = 0.038\) es muy razonable, lo que significa que nuestro enfoque para caracterizar la rugosidad de la superficie de dicha aleación mediante funciones de correlación es exitoso.

Se utiliza un método de recocido simulado para evaluar la reconstrucción de la superficie. Generalmente se emplea para resolver problemas de optimización a gran escala. Además, se puede utilizar para cambiar los píxeles de la imagen digitalizada para identificar la microestructura óptima14,15. La superioridad de la técnica de recocido simulado se puede atribuir al hecho de que no necesita configuraciones complejas especiales, es económica y es capaz de eliminar mínimos locales aceptando configuraciones localmente desfavorables. Se puede predecir el estado de energía más bajo posible mediante recocido simulado basándose en el hecho de que; Cuando un sistema se calienta a alta temperatura \(T\)(estado de energía de excitación), enfriando lentamente el sistema a temperaturas cercanas o iguales al cero absoluto, toma muestras de todos los diferentes estados de energía hasta el equilibrio en el estado de energía fundamental (mínimo estable). estado energético)12,13. Para un conjunto canónico, a una temperatura \(T\), la probabilidad de que el sistema esté en el estado energético \(E\) es una distribución de Boltzmann:

Para cada paso de recocido \(t = k\), el sistema toma muestras y alcanza la temperatura de equilibrio \(T_{k}\). Luego, la temperatura se reduce para cada paso de recocido \(T\left( t \right)\) hasta que se aproxima al nivel de energía del suelo. Por lo tanto, en la forma más simple, comenzando con microestructuras dadas, se intercambian los estados de dos píxeles arbitrarios de diferentes fases, conservando la fracción de volumen de ambas fases como se muestra en la Fig. 9.

Representación visual del procedimiento de intercambio o intercambio de píxeles para generar una nueva microestructura a partir de la anterior.

El cambio de energía entre dos estados sucesivos se calcula como:

Si el nuevo estado de energía se acepta o no como el siguiente estado de energía está determinado por la probabilidad de aceptación, que viene dada por

donde T es una temperatura inicial hipotéticamente alta.

Aunque el recocido ideal para alcanzar el estado fundamental es disminuir los pasos de temperatura de acuerdo con \(T\left( k \right)\sim \frac{1}{\ln \left( k \right)}\), puede causar Convergencia energética muy lenta. Por lo tanto, utilizamos un programa de recocido más rápido de

donde \(\lambda\) es la tasa de recocido.

Aunque el programa de recocido modificado tiene una convergencia de energía más rápida, pone al sistema en riesgo de quedar atrapado en mínimos locales y el recocido óptimo ya no está garantizado, consulte la Fig. 10.

Representación visual del procedimiento de optimización del recocido simulado. La aceptación de una microestructura de prueba que aumenta la energía permite que el sistema escape de los mínimos de energía locales y, por lo tanto, aumenta la probabilidad de convergencia al mínimo global.

Desafortunadamente, la cuantificación de la rugosidad de la superficie mediante la función de correlación no es popular. No pudimos encontrar ninguna literatura sobre tal tema. No hubo necesidad de examinar otras funciones superficie-superficie \(F_{ss}\) o superficie-vacío \(F_{sv}\) que se definieron en la Ref.12 como la función de correlación de dos puntos \(S_{2) }\) fue extremadamente eficiente. En realidad, la representación de la rugosidad de la superficie debe estudiarse para una altura igual o superior a una determinada altura. Tenga en cuenta que tiene un mayor impacto sobre la corrosión o la conductividad general efectiva16,17,18. Esperamos que la rugosidad no pueda estudiarse como superficie vacía a menos que la fase vacía se tome como nuestra fase matricial. Es por eso que \(S_{2}\) fue nuestra primera opción para investigar la capacidad de cuantificaciones de rugosidad mediante funciones estadísticas de correlación espacial. En las siguientes líneas, presentamos la reconstrucción utilizando \(S_{2} \left( r \right)\) de los resultados de la construcción como nuestra función objetivo.

Como se muestra en la Fig. 11, la representación de la rugosidad de la superficie utilizando la reconstrucción de datos obtenidos de la función de correlación de dos puntos, la optimización da como resultado la minimización de las longitudes de los segmentos de línea de \(S_{2} \left( r \right) \). A medida que tomamos imágenes de la superficie a distintas alturas (aproximadamente 100 nm), las longitudes de los segmentos de línea disminuyen extremadamente (\({\text{average}} r \approx 0.001475)\), lo que significa que hay un crecimiento de propagación para la superficie. en direcciones horizontales, eliminando la rugosidad de la superficie. Esto concluye que la optimización de \(S_{2} \left( r \right)\) es extremadamente eficiente para suavizar la superficie con longitudes rugosas muy bajas para dicho sistema.

Resultados de la reconstrucción al utilizar la función de correlación de dos puntos.

Se demuestra la posibilidad de cuantificar la rugosidad de la superficie utilizando funciones de correlación espacial de bajo orden. Se utilizaron tanto la función de correlación de dos puntos \(S_{2} \left( r \right)\) como la función de trayectoria lineal \(L\left( r \right)\) para dilucidar las características de la superficie de la aleación Pb-Sb. . Este estudio demostró la importancia de las características de la superficie, como la rugosidad, a la hora de determinar el rendimiento de los materiales de las baterías y su vida útil. Nuestro estudio señaló la rugosidad de la superficie como la razón principal detrás del fallo observado de la batería tras el uso de aditivos 2D para mejorar la ciclabilidad de la batería. Se descubrió que los terminales de la batería se fundían a una alta tasa de descarga debido a una mala transferencia de calor en la superficie interna debido al alto grado de rugosidad. Los resultados obtenidos son muy realistas y sirven al objetivo del estudio. Los resultados demuestran la oportunidad de utilizar funciones de correlación de dos puntos para mejorar las propiedades superficiales de una aleación binaria identificando ciertas alturas de rugosidad como la fase de interés. Concluimos que esta técnica también se puede aplicar en la industria del pulido de metales o para el mapeo de datos de la aleación Pb-Sb en la industria de las baterías.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Saravanan, M. & Ambalavanan, S. Análisis de fallas de fundición sobre correa en batería de plomo-ácido sometida a vibración. Ing. Fallar. Anal. 18, 2240–2249 (2011).

Artículo CAS Google Scholar

Pavlov, DD Baterías de plomo-ácido: ciencia y tecnología: manual de tecnología de baterías de plomo-ácido y su influencia en el producto (Elsevier, 2017).

Google Académico

Mohd, MAS, Sulong, AB, Chin, FK y Sahari, J. Efecto de la corrosión sobre la conductividad eléctrica de metales y compuestos poliméricos. J. Teknol. 59, 859. https://doi.org/10.11113/jt.v59.2566 (2012).

Artículo de Google Scholar

Toloei, A., Stoilov, V. y Northwood, D. La relación entre rugosidad superficial y corrosión. En actas del Congreso y Exposición Internacional de Ingeniería Mecánica ASME 2013. Volumen 2B: Fabricación avanzada. San Diego, California, Estados Unidos. V02BT02A054. ASME (2013). https://doi.org/10.1115/IMECE2013-65498.

Yadollahi, A. et al. Predicción de la vida a fatiga del material fabricado aditivamente: efectos de la rugosidad de la superficie, el tamaño y la forma del defecto. Fractura de fatiga. Ing. Madre. Estructura. 41, 1602-1614 (2018).

Artículo de Google Scholar

Liao, Z. y col. Integridad de la superficie en el mecanizado de metales: parte I: Fundamentos de las características de la superficie y mecanismos de formación. En t. J. Mach. Herramientas Manuf 162, 103687 (2021).

Artículo de Google Scholar

Anna, LG y Afshan, EM Estudios de transferencia de calor sobre la solidificación del proceso de fundición. Procesos de Fundición y Modelado de Materiales Metálicos. IntechOpen https://doi.org/10.5772/intechopen.95371 (2021).

Artículo de Google Scholar

Yeung, KK y cols. Ciclo de vida mejorado de una batería de plomo-ácido que utiliza grafeno como aditivo supresor de la sulfatación en material activo negativo. RSC Avanzado. 5, 71314–71321 (2015).

Artículo ADS CAS Google Scholar

Benardos, PG y Vosniakos, G.-C. Predicción de la rugosidad de la superficie en el mecanizado: una revisión. En t. J. Mach. Fabricante de herramientas 43, 833–844. https://doi.org/10.1016/s0890-6955(03)00059-2 (2003).

Artículo de Google Scholar

Deshpande, YV, Andhare, AB & Padole, PM Aplicación de ANN para estimar la rugosidad de la superficie utilizando parámetros de corte, fuerza, sonido y vibración en el torneado de Inconel 718. SN Appl. Ciencia. 1, 104 (2019).

Artículo de Google Scholar

Torquato, S. Materiales heterogéneos aleatorios: microestructura y propiedades macroscópicas (Springer, 2002).

Libro MATEMÁTICAS Google Scholar

Torquato, S. Descripción estadística de microestructuras. Año. Rev. Mater. Res. 32, 77-111 (2002).

Artículo CAS Google Scholar

Torquato, S. Diseño óptimo de materiales heterogéneos. Año. Rev. Mater. Res. 40, 101-129 (2010).

Artículo ADS CAS Google Scholar

Bernal, JD La Geometría de la Estructura de los Líquidos. Líquidos: estructura, propiedades, interacciones sólidas 25–50 (Elsevier, 1965).

Google Académico

Rintoul, MD & Torquato, S. Reconstrucción de la estructura de dispersiones. J. Ciencia de la interfaz coloidal. 186, 467–476 (1997).

Artículo ADS CAS PubMed Google Scholar

Jiao, Y. & Chawla, N. Modelado tridimensional de materiales heterogéneos complejos mediante descriptores microestructurales estadísticos. Integral Madre. Fabricar. Innovación. 3, 25–43 (2014).

Artículo de Google Scholar

Jiao, Y., Stillinger, FH y Torquato, S. Modelado de materiales heterogéneos mediante funciones de correlación de dos puntos: principios básicos. Física. Rev. E 76, 031110 (2007).

Artículo ADS MathSciNet CAS Google Scholar

Jiao, Y., Stillinger, FH y Torquato, S. Modelado de materiales heterogéneos mediante funciones de correlación de dos puntos. II. Detalles algorítmicos y aplicaciones. Física. Rev. E 77, 031135 (2008).

Artículo ADS MathSciNet CAS Google Scholar

Descargar referencias

Departamento de Ingeniería y Ciencia de Materiales, Universidad Estatal de Arizona, Tempe, AZ, EE. UU.

Mohamed Basyoni y Yang Jiao

Laboratorio de Materiales Energéticos, Departamento de Física, Facultad de Ciencias e Ingeniería, Universidad Americana de El Cairo, Nuevo Cairo, 11835, Egipto

Mohamed Basyoni y Nageh K. Allam

Compañía alemana para la fabricación de baterías, New Salheya, Egipto

Mohamed Basyoni

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

MB llevó a cabo el trabajo y escribió el manuscrito con el apoyo de YJ y NKAYJ analizó los resultados, editó el manuscrito y supervisó el trabajo. NKA analizó los resultados, editó el manuscrito, obtuvo financiación y supervisó el trabajo. Todos los autores han dado su aprobación a la versión final del manuscrito.

Correspondencia a Nageh K. Allam.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Basyoni, M., Jiao, Y. & Allam, NK Un novedoso enfoque de aprendizaje automático para la cuantificación y optimización de la rugosidad de la superficie de una aleación de plomo y antimonio colada sobre correa mediante una función de correlación de dos puntos. Informe científico 13, 13369 (2023). https://doi.org/10.1038/s41598-023-39619-z

Descargar cita

Recibido: 09 de marzo de 2023

Aceptado: 27 de julio de 2023

Publicado: 17 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39619-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.