Ứng dụng trí tuệ nhân tạo để đẩy nhanh quá trình phát triển hợp kim: Ý nghĩa của điều này đối với các lựa chọn vật liệu ống trong tương lai

Trong nhiều thập kỷ qua, việc phát triển các vật liệu ống hợp kim mới luôn tuân theo một quy trình dự đoán được: một kỹ sư luyện kim sẽ đưa ra giả thuyết về thành phần dựa trên kinh nghiệm, đúc một vài mẻ thử nghiệm, kiểm tra chúng một cách toàn diện và—nếu kết quả khả quan—sẽ mất nhiều năm để đánh giá đặc tính trước khi đưa vào sản xuất thương mại. Cách tiếp cận thử-sai truyền thống này đã phục vụ tốt cho ngành công nghiệp, giúp tạo ra các loại thép không gỉ duplex, hợp kim niken và các vật liệu chống ăn mòn mà chúng ta hiện đang phụ thuộc vào. Tuy nhiên, phương pháp này rất chậm—chậm một cách đau đớn.

Thời gian điển hình từ ý tưởng đến hợp kim thương mại là 10 đến 20 năm đối với các ứng dụng quan trọng yêu cầu vật liệu mới—ví dụ như vận chuyển hydro, khai thác ngoài khơi ở vùng nước sâu hoặc thế hệ lò phản ứng hạt nhân tiếp theo—tốc độ này hiện không còn chấp nhận được.

AI (trí tuệ nhân tạo) và ML (học máy) xuất hiện. Những công nghệ này đang làm thay đổi căn bản ngành khoa học vật liệu, biến quá trình phát triển hợp kim từ một lĩnh vực thực nghiệm tốn nhiều công sức thành một bài toán tối ưu hóa dựa trên kỹ thuật. bài viết này phân tích cách AI đẩy nhanh quá trình khám phá hợp kim, ý nghĩa của điều này đối với các vật liệu ống trong tương lai, cũng như những hệ quả thực tiễn đối với kỹ sư và người lập đặc tả kỹ thuật.

Quy mô của thách thức: Vì sao việc khám phá hợp kim lại khó khăn

Để hiểu rõ vì sao AI mang tính cách mạng, trước tiên chúng ta phải nắm được quy mô của bài toán thiết kế hợp kim.

Hãy tưởng tượng bạn đang phát triển một loại thép không gỉ duplex mới dành cho môi trường ăn mòn có chứa H₂S (sour service). Bạn có thể phải xem xét khoảng 10 nguyên tố hợp kim—crôm, niken, molypden, nitơ, mangan, silic, đồng, vonfram, carbon và các nguyên tố khác. Mỗi nguyên tố này có thể thay đổi trong một dải nồng độ nhất định. Nhân số biến này với nhau, số khả năng về thành phần hóa học sẽ trở nên khổng lồ.

Một nhà nghiên cứu tại Phòng Thí nghiệm Quốc gia Lawrence Livermore đã đưa ra một phép so sánh dễ nhớ: "Hãy tưởng tượng bạn đang nướng bánh quy và muốn tạo ra công thức hoàn hảo, nên bạn quyết định thử nghiệm với ba thành phần: đường, bơ và bột mì. Nếu bạn kiểm tra mỗi thành phần ở 10 mức lượng khác nhau, bạn sẽ cần nướng tới 1.000 chiếc bánh quy để thử hết mọi tổ hợp có thể. Giờ hãy tưởng tượng bạn phải thử nghiệm với 20 hoặc 30 thành phần—đột nhiên, số lượng bánh quy cần nướng sẽ tăng vọt lên mức khổng lồ—khoảng 100 quintillion (10²⁰) tổ hợp." .

Đối với các hợp kim thủy tinh kim loại, trong suốt năm thập kỷ qua, các nhà nghiên cứu mới chỉ đánh giá vài nghìn khả năng trong số hàng triệu lựa chọn có thể . Các phương pháp truyền thống đơn giản là không thể khảo sát hiệu quả không gian thiết kế rộng lớn này.

AI Thay Đổi Quy Trình Phát Triển Hợp Kim Như Thế Nào

Các phương pháp AI hiện đại giải quyết thách thức này thông qua một số kỹ thuật bổ trợ lẫn nhau:

1. Mô hình Học Máy để Dự Đoán Tính Chất

Các mô hình học máy có thể dự đoán tính chất của hợp kim dựa trên thành phần hóa học và các thông số xử lý, từ đó giảm đáng kể nhu cầu thử nghiệm thực tế. Các nhà nghiên cứu tại Đại học Bang Oregon đã minh chứng điều này bằng cách phát triển một mô hình rừng ngẫu nhiên (random forest) để dự đoán giá trị độ dai va đập Charpy đối với thép không gỉ duplex hàn, cho phép đánh giá nhanh hiệu suất của hợp kim mà không cần tiến hành thử nghiệm thực tế quy mô lớn. .

Một nghiên cứu năm 2024 về thiết kế thép không gỉ duplex đã so sánh bốn mô hình học máy—K-Láng giềng Gần nhất, Hồi quy Ridge, Cây Quyết định và Rừng Ngẫu nhiên—để dự đoán khả năng chống mài mòn và chống ăn mòn. Mô hình Rừng Ngẫu nhiên đạt độ chính xác xuất sắc với hệ số xác định (R²) lần lượt là 0,90 đối với độ cứng vi mô và 0,87 đối với dự đoán thế ăn mòn . Bằng cách sử dụng mô hình này, các nhà nghiên cứu đã sàng lọc 69.120 tổ hợp thành phần–quy trình trên máy tính, từ đó xác định được ba thành phần duplex mới có tính chất tối ưu .

2. Trí tuệ nhân tạo sinh tổng hợp và thiết kế nghịch

Vượt xa việc chỉ dự đoán tính chất của các thành phần đã biết, trí tuệ nhân tạo sinh tổng hợp còn có thể đề xuất hoàn toàn những vật liệu mới. Hệ thống AI "GNoME" (Mạng Đồ thị cho Khám phá Vật liệu) của Google DeepMind đã dự đoán 2,2 triệu cấu trúc tinh thể mới , trong đó có 380.000 ứng cử viên có khả năng ổn định trong thực nghiệm. Hàng nghìn cấu trúc trong số này là các hợp chất lớp tương tự như graphene và các chất điện phân tiềm năng cho pin .

Quan trọng hơn, đây không chỉ là những dự đoán lý thuyết. Hơn 700 tinh thể do GNoME dự đoán đã được tổng hợp độc lập trong các phòng thí nghiệm trên toàn thế giới, xác nhận rằng "các dự đoán của mô hình về các tinh thể ổn định phản ánh chính xác thực tế" .

3. Học máy có cơ sở vật lý

Các phương pháp học máy thuần túy dựa trên dữ liệu có những hạn chế nhất định, đặc biệt khi dữ liệu huấn luyện khan hiếm. Học máy có cơ sở vật lý tích hợp kiến thức chuyên ngành—nhiệt động lực học, tinh thể học, các nguyên lý biến đổi pha—trực tiếp vào các mô hình.

Các Khung AutoMAT , do các nhà nghiên cứu phát triển và được kiểm chứng thông qua thực nghiệm, tích hợp các mô hình ngôn ngữ lớn, mô phỏng tự động dựa trên CALPHAD và tìm kiếm do AI điều khiển nhằm đẩy nhanh quá trình thiết kế hợp kim. Trong một nghiên cứu điển hình nhắm đến các hợp kim nhẹ nhưng có độ bền cao, AutoMAT đã xác định được một hợp kim titan có mật độ thấp hơn 8,1% và độ bền chảy tương đương đạt đến các tài liệu tham khảo hiện đại nhất—đạt được độ bền riêng cao nhất trong tất cả các phương án so sánh—đồng thời rút ngắn thời gian khám phá từ nhiều năm xuống còn vài tuần .

4. Tối ưu hóa Bayes và Học chủ động

Tối ưu hóa Bayes là một chiến lược học chủ động nhằm lựa chọn một cách thông minh các thí nghiệm cần thực hiện tiếp theo. Thay vì thử nghiệm ngẫu nhiên các thành phần, trí tuệ nhân tạo đánh giá xem ứng viên chưa được khám phá nào có khả năng cao nhất cải thiện các tính chất mục tiêu và ưu tiên thực hiện thí nghiệm đó .

Một nghiên cứu về hợp kim nhớ dạng đã chứng minh cách các vòng lặp được hướng dẫn bởi phương pháp Bayes đã tìm ra các hợp kim mới có độ trễ thấp chỉ trong 36 bước thí nghiệm —một tỷ lệ rất nhỏ so với khoảng 800.000 tổ hợp trong không gian tìm kiếm .

Phòng thí nghiệm tự vận hành: Khép kín quy trình

Sự phát triển thú vị nhất trong lĩnh vực khám phá hợp kim tăng tốc là sự xuất hiện của phòng thí nghiệm tự vận hành —các nền tảng tự động tích hợp thiết kế dựa trên trí tuệ nhân tạo, tổng hợp bằng robot và đặc trưng hóa tự chủ thành một hệ thống khép kín.

Nền tảng APEX

Tại Phòng thí nghiệm Quốc gia Lawrence Livermore, các nhà nghiên cứu đang phát triển APEX , một nền tảng tự động dành cho in 3D, xử lý và phân tích các mẫu hợp kim. Nền tảng này kết hợp robot và học máy để hoạt động liên tục, tự động thiết kế, chế tạo và kiểm tra các hợp kim mới .

APEX sử dụng công nghệ sản xuất phụ gia bằng phương pháp lắng đọng năng lượng định hướng để xây dựng các mẫu theo từng lớp, sau đó tự động mài, đánh bóng và đặc trưng hóa chúng thông qua kính hiển vi, thử độ cứng và thử nén. Những công việc trước đây mất hàng ngày khi thực hiện thủ công nay được hoàn thành trong vài giờ .

Một tính năng đặc biệt thông minh: APEX ghi nhận "cảm giác" khi mài bằng cách gắn cảm biến rung lên thiết bị, từ đó chuyển đổi trực quan nghề nghiệp của người thợ lành nghề thành dữ liệu số để định hướng quá trình xử lý tự động .

Polybot tại Argonne

Tương tự, Phòng thí nghiệm Quốc gia Argonne có Polybot robot tự động sản xuất và kiểm tra các màng polymer. Đối mặt với gần một triệu quy trình chế tạo có thể, Polybot tiến hành các thí nghiệm liên tục 24/7 dưới sự hướng dẫn của trí tuệ nhân tạo, đạt được độ dẫn điện của màng "tương đương với các tiêu chuẩn cao nhất hiện nay" và phát triển các quy trình sản xuất quy mô công nghiệp để ứng dụng trong thực tiễn .

Ý nghĩa của điều này đối với vật liệu ống trong tương lai

Đối với kỹ sư và người lập đặc tả làm việc với ống hợp kim, những tiến bộ này mang lại những hệ quả sâu sắc:

1. Hợp kim theo yêu cầu ứng dụng cụ thể

Trước đây, việc phát triển hợp kim thường nhắm đến các ứng dụng tổng quát. Một cấp hợp kim duplex mới có thể được sử dụng rộng rãi trong các lĩnh vực khai thác dầu khí, xử lý hóa chất và hàng hải. Trí tuệ nhân tạo cho phép thiết kế theo yêu cầu các hợp kim được tối ưu hóa riêng cho từng ứng dụng cụ thể và điều kiện vận hành .

Hãy tưởng tượng việc lựa chọn một loại ống cho điều kiện làm việc có nhiệt độ cao, hàm lượng CO₂ cao và độ ăn mòn nhẹ (mildly sour). Thay vì chọn từ các mác thép hiện có (đều là những giải pháp thỏa hiệp), bạn có thể đặt hàng một hợp kim được tối ưu hóa bởi trí tuệ nhân tạo (AI) nhằm phù hợp chính xác với môi trường đó—tối đa hóa hiệu suất đồng thời giảm thiểu chi phí hợp kim.

Nghiên cứu tại Đại học Porto đang phát triển các mô hình tính toán đặc biệt cho "thiết kế theo yêu cầu đối với các hợp kim thép không gỉ duplex" bằng cách sử dụng học máy (machine learning) và các kỹ thuật rút gọn bậc mô hình (model order reduction) . Khả năng này đưa chúng ta tiến gần hơn tới một tương lai nơi các hợp kim được thiết kế riêng cho từng ứng dụng cụ thể thay vì được điều chỉnh từ các mác thép phổ thông.

2. Đánh giá và công nhận nhanh chóng

Một trong những rào cản lớn nhất đối với việc áp dụng hợp kim mới là quá trình đánh giá và công nhận. Ngay cả sau khi đã phát triển xong, vật liệu mới vẫn đòi hỏi phải thử nghiệm quy mô lớn để thu thập dữ liệu thiết kế, xây dựng các trường hợp áp dụng trong tiêu chuẩn kỹ thuật và đạt được sự chấp thuận của ngành.

Trí tuệ nhân tạo (AI) đẩy nhanh quá trình này thông qua:

• Mô hình dự đoán dự báo hiệu suất dài hạn (biến dạng dẻo ở nhiệt độ cao – creep, mỏi – fatigue, ăn mòn – corrosion)

• Thử nghiệm tăng tốc được hướng dẫn bởi phương pháp học chủ động nhằm tập trung vào các điều kiện then chốt

• Chứng nhận ảo thông qua các mô hình đã được xác thực, giúp giảm nhu cầu thử nghiệm thực tế

Dự án KIMETRO tại Viện Fraunhofer IMS đã chứng minh cách thức trí tuệ nhân tạo có thể xác định các thông số gia công tối ưu cho ống kim loại, đảm bảo chất lượng đồng nhất và tiềm năng chứng nhận các hợp kim mới với ít thử nghiệm thực tế hơn .

3. Phạm vi hiệu suất nâng cao

Các hợp kim được thiết kế bằng trí tuệ nhân tạo đã đạt được các đặc tính vượt trội so với vật liệu truyền thống. Khung AutoMAT đạt được mức cải thiện 28,2% về độ bền chảy đối với các hợp kim entropy cao so với thành phần nền . Các hợp kim đa nguyên tố chính được phát hiện thông qua tối ưu hóa Bayes đạt giá trị độ cứng Vickers lên tới 1269 HV , tăng 7% so với các mốc chuẩn trước đây .

Đối với ứng dụng ống, điều này có nghĩa là:

• Độ bền cao hơn cho phép giảm độ dày thành ống và giảm trọng lượng

• Khả năng chống ăn mòn cải thiện giúp kéo dài tuổi thọ sử dụng

• Khả năng hàn tốt hơn nhờ thành phần được tối ưu hóa

• Độ dẻo dai vượt trội ở nhiệt độ cực đoan

4. Tối ưu hóa chi phí

Trí tuệ nhân tạo (AI) không chỉ tối ưu hóa hiệu suất—mà còn có thể tối ưu hóa chi phí. Bằng cách khám phá các thành phần giúp giảm thiểu các nguyên tố hợp kim đắt tiền (niken, molypden, coban) trong khi vẫn duy trì các tính chất yêu cầu, AI có thể xác định các giải pháp thay thế chi phí thấp hơn nhưng vẫn đáp ứng đầy đủ yêu cầu ứng dụng.

Nghiên cứu của Đại học Bang Oregon đề xuất các mác duplex ít hợp kim (2101, 2003) như những lựa chọn thay thế tiềm năng có chi phí thấp hơn cho các ứng dụng hạt nhân, trong đó học máy hỗ trợ dự đoán hành vi giòn hóa và giới hạn sử dụng của chúng .

Hàm ý thực tiễn đối với kỹ sư

Điều này có ý nghĩa gì đối với các kỹ sư hiện nay và trong tương lai gần khi lựa chọn vật liệu ống?

Ngắn hạn (1–3 năm)

• Công cụ lựa chọn vật liệu nâng cao: Các cơ sở dữ liệu được hỗ trợ bởi trí tuệ nhân tạo sẽ cung cấp dự báo chính xác hơn về các đặc tính của các hợp kim hiện có, giúp lựa chọn cấp độ vật liệu tối ưu cho các điều kiện cụ thể.

• Giải quyết vấn đề nhanh hơn: Khi đối mặt với sự cố liên quan đến vật liệu, các công cụ trí tuệ nhân tạo sẽ đẩy nhanh quá trình phân tích nguyên nhân gốc và đề xuất các thành phần thay thế.

• Kiểm soát chất lượng được cải thiện: Các hệ thống kiểm tra hình ảnh dựa trên trí tuệ nhân tạo sẽ phát hiện các khuyết tật bề mặt và các bất thường vi cấu trúc với độ chính xác vượt trội. .

Trung hạn (3–7 năm)

• Các hợp kim được thiết kế bằng trí tuệ nhân tạo có sẵn trên thị trường: Làn sóng đầu tiên các hợp kim được phát triển nhờ trí tuệ nhân tạo sẽ ra mắt thị trường, được tối ưu hóa cho các ứng dụng cụ thể như phục vụ trong môi trường hydro hoặc khai thác ngoài khơi vùng nước sâu.

• Rút ngắn thời gian chứng nhận: Các mã và tiêu chuẩn ngành sẽ bắt đầu tích hợp các tính chất được dự đoán bằng trí tuệ nhân tạo bên cạnh dữ liệu thử nghiệm truyền thống.

• Bản sao số về hiệu suất vật liệu: Các bản sao số được hỗ trợ bởi trí tuệ nhân tạo sẽ mô phỏng hiệu suất dài hạn trong điều kiện vận hành thực tế. .

Dài hạn (7–15 năm)

• Sản xuất hợp kim theo nhu cầu: Sản xuất cộng thêm kết hợp với thiết kế dựa trên trí tuệ nhân tạo sẽ cho phép sản xuất các hợp kim chuyên dụng cho từng ứng dụng cụ thể đối với các bộ phận quan trọng. .

• Vật liệu tự phục hồi: Các hợp kim được thiết kế bằng trí tuệ nhân tạo, tích hợp cảm biến và các pha phản ứng, sẽ tự động phát hiện và sửa chữa hư hại.

• Xác nhận hoàn toàn bằng mô phỏng: Các hợp kim mới sẽ được xác nhận chủ yếu thông qua các mô hình đã được kiểm định, trong khi thử nghiệm thực tế chỉ đóng vai trò xác minh cuối cùng thay vì bằng chứng chính.

Yếu tố Con người: Các Kỹ sư trong Kỷ nguyên Trí tuệ Nhân tạo

Mặc dù có những tiến bộ này, các nhà nghiên cứu của Đại học Bang Oregon nhấn mạnh rằng trí tuệ nhân tạo (AI) hỗ trợ chứ không thay thế chuyên môn của con người. Nghiên cứu của họ sử dụng "các phương pháp học máy để ngoại suy các giá trị độ dai va đập Charpy" và "xác định các nguyên tố hợp kim có thể có mối tương quan mạnh với hiện tượng làm cứng hợp kim", nhưng các kỹ sư luyện kim con người là người diễn giải kết quả và định hướng cho các thí nghiệm điều tra .

Như Steven R. Spurgeon, một nhà khoa học dữ liệu vật liệu tại NREL, nhận xét: "Cuộc cách mạng thực sự trong khoa học tự động không chỉ nằm ở việc đẩy nhanh quá trình khám phá mà còn ở việc hoàn toàn định hình lại con đường từ ý tưởng đến tác động thực tiễn" .

Vai trò của kỹ sư chuyển đổi từ việc tự tay khám phá các khả năng sang:

• Xác định đúng các vấn đề và ràng buộc để AI giải quyết

• Diễn giải các thông tin do AI tạo ra trong bối cảnh ứng dụng thực tế

• Thu hẹp khoảng cách giữa các hợp kim được thiết kế bằng mô phỏng tính toán và các sản phẩm có thể sản xuất được

• Đảm bảo rằng khả năng sản xuất và các yếu tố liên quan đến vòng đời được tích hợp ngay từ mục tiêu phát triển trí tuệ nhân tạo

Những thách thức và hạn chế

Cuộc cách mạng AI trong phát triển hợp kim đang đối mặt với những thách thức thực sự:

Chất lượng và tính sẵn có của dữ liệu

Các mô hình học máy chỉ tốt bằng dữ liệu huấn luyện của chúng. Phần lớn dữ liệu về hiệu suất hợp kim trên toàn thế giới nằm trong các cơ sở dữ liệu nội bộ của doanh nghiệp hoặc trong các sổ ghi chép phòng thí nghiệm chưa được số hóa. Việc xây dựng các tập dữ liệu toàn diện và chất lượng cao vẫn là một thách thức lớn. .

‘Thung lũng cái chết’

Như một nhà nghiên cứu của DeepMind đã nhận xét: "AI có thể đề xuất các vật liệu ở quy mô từng không thể tưởng tượng nổi, nhưng những vật liệu đó có thể được xác minh, mở rộng quy mô và chứng nhận để đáp ứng yêu cầu công nghiệp hay không?" việc tổng hợp một mẫu ở quy mô phòng thí nghiệm hoàn toàn khác biệt so với việc sản xuất hàng tấn ống đạt tiêu chuẩn chứng nhận. Việc thu hẹp khoảng cách này đòi hỏi các phương pháp kỹ thuật mới và các đổi mới trong sản xuất.

Sự chấp nhận của mã kỹ thuật và tiêu chuẩn

Các mã ngành (ASME B31.3, ASME Section VIII, v.v.) thay đổi chậm. Ngay cả hợp kim do AI thiết kế đầy hứa hẹn nhất cũng không thể được sử dụng trong các ứng dụng chịu sự điều chỉnh của mã quy chuẩn cho đến khi nó được đưa vào các tiêu chuẩn áp dụng tương ứng. Sự chậm trễ này sẽ làm chậm quá trình áp dụng các vật liệu được tối ưu hóa bởi AI trong các ngành công nghiệp chịu quản lý quy chuẩn.

Sở hữu trí tuệ

Khi AI phát minh ra một thành phần hợp kim mới, ai là chủ sở hữu của nó? Nhà phát triển hệ thống AI? Người vận hành đã xác định các thông số tìm kiếm? Hay tổ chức đã tài trợ cho công trình nghiên cứu? Những câu hỏi này vẫn chưa được giải quyết rõ ràng.

Kết luận: Một kỷ nguyên mới cho vật liệu ống

AI không chỉ đơn thuần đẩy nhanh quá trình phát triển hợp kim—mà còn thay đổi căn bản những điều khả thi. Hiện tượng bùng nổ tổ hợp khiến việc khám phá toàn diện các hợp kim trở nên bất khả thi nay có thể kiểm soát được nhờ học máy, các mô hình sinh tổng hợp và các phòng thí nghiệm tự động.

Đối với vật liệu ống, điều này có nghĩa là:

• Các hợp kim được tối ưu hóa cho từng ứng dụng cụ thể thay vì các giải pháp tổng quát mang tính thỏa hiệp

• Phản ứng nhanh hơn với các thách thức mới nổi (vận chuyển hydro, dịch ăn mòn cực mạnh, CO₂ ở nhiệt độ cao)

• Giảm chi phí và thời gian triển khai cho việc phát triển vật liệu mới

• Mở rộng phạm vi hiệu năng nhằm đẩy lùi giới hạn của những điều khả thi

Quá trình chuyển đổi sẽ không diễn ra trong một sớm một chiều. Các khoảng trống dữ liệu, yêu cầu chứng nhận và tính ì của ngành sẽ làm chậm quá trình áp dụng. Tuy nhiên, định hướng đã rõ ràng: vật liệu ống tiên tiến tiếp theo sẽ không được tìm ra bằng phương pháp thử-sai—mà sẽ được thiết kế thông qua tính toán.

Như Mason Sage, nhà nghiên cứu chính của nền tảng APEX, chia sẻ: "Mục tiêu cuối cùng của chúng tôi là biến APEX thành phòng thí nghiệm tự vận hành đầu tiên dành riêng cho việc khám phá hợp kim, có khả năng hoạt động liên tục 24/7 để thu thập dữ liệu thực nghiệm cũng như tự chủ thiết kế, chế tạo và kiểm tra các hợp kim mới." tương lai ấy gần hơn chúng ta tưởng.

Đối với các kỹ sư và chuyên gia lập đặc tả, việc cập nhật thường xuyên về những tiến triển này là điều thiết yếu. Những hợp kim mà bạn đưa vào đặc tả sau một thập kỷ nữa có thể vẫn chưa tồn tại—nhưng chúng đã đang được các thuật toán chạy ngày hôm nay thiết kế.

Giới Thiệu Tác Giả: [Tên của bạn] mang đến [X] năm kinh nghiệm trong lĩnh vực kỹ thuật vật liệu và quản lý chuỗi cung ứng cho các ứng dụng hợp kim quan trọng. [Người đó] theo dõi các công nghệ mới nổi trong ngành luyện kim và tác động của chúng đối với thực tiễn công nghiệp.

Những điều quan trọng