01 de noviembre de 2022 (Noticias de Nanowerk) Fabricar las innumerables cantidades de máscaras N95 que han protegido a millones de estadounidenses del COVID requiere un proceso que no solo exige atención a los detalles, sino que también requiere mucha energía. Muchos de los materiales de estas máscaras se producen mediante una técnica llamada soplado por fusión, en la que se hilan diminutas fibras de plástico a altas temperaturas que requieren el uso de mucha energía. El proceso también se utiliza para otros productos como filtros de horno, filtros de café y pañales. Gracias a un nuevo esfuerzo computacional iniciado por EE. UU. El Laboratorio Nacional Argonne del Departamento de Energía (DOE) en conjunto con 3M y con el apoyo del programa Computación de alto rendimiento para la innovación energética (HPC4EI) del DOE, los investigadores están encontrando nuevas formas de reducir drásticamente la cantidad de energía requerida para fundir los materiales necesarios en N95 máscaras y otras aplicaciones. Actualmente, el proceso utilizado para crear una boquilla para hilar materiales no tejidos produce un producto de muy alta calidad, pero consume bastante energía. Aproximadamente 300,000 toneladas de materiales fundidos por soplado se producen anualmente en todo el mundo, lo que requiere aproximadamente 245 gigavatios-hora por año de energía, aproximadamente la cantidad generada por una gran granja solar. Mediante el uso de los recursos de supercomputación de Argonne para emparejar simulaciones de dinámica de fluidos computacionales y técnicas de aprendizaje automático, la colaboración de Argonne y 3M buscó reducir el consumo de energía en un 20 % sin comprometer la calidad del material. El proceso de soplado en fusión utiliza una matriz para extruir plástico a altas temperaturas. Encontrar una manera de crear componentes de plástico idénticos a temperaturas y presiones más bajas motivó la búsqueda de aprendizaje automático, dijo el científico computacional de Argonne Benjamin Blaiszik, autor del estudio. “Es como si estuviéramos tratando de hacer una pizza en un horno: estamos tratando de encontrar las dimensiones, los materiales correctos para nuestra piedra para pizza y la temperatura de cocción usando un algoritmo para minimizar la cantidad de energía utilizada mientras se mantiene el sabor. mismo”, dijo. Mediante el uso de simulaciones y aprendizaje automático, los investigadores de Argonne pueden ejecutar cientos o incluso miles de casos de uso, una mejora exponencial con respecto al trabajo anterior. “Tenemos la capacidad de modificar cosas como los parámetros de la geometría del troquel”, dijo Blaiszik. “Nuestras simulaciones harán posible que alguien fabrique un artículo en una instalación industrial real, y nuestra computadora puede informarle sobre su potencial para aplicaciones del mundo real”. Las simulaciones brindan información clave sobre el proceso, un método para evaluar una combinación de parámetros que se utilizan para generar datos para el algoritmo de aprendizaje automático. El modelo de aprendizaje automático se puede aprovechar para finalmente converger en un diseño que pueda generar los ahorros de energía requeridos. Debido a que el proceso de fabricación de una boquilla nueva es muy costoso, la información obtenida del modelo de aprendizaje automático puede equipar a los fabricantes de materiales con una forma de reducir a un conjunto de diseños óptimos. “La simulación mejorada por aprendizaje automático es la mejor manera de obtener de manera económica la combinación correcta de parámetros como temperaturas, composición del material y presiones para crear estos materiales de alta calidad con menos energía”, dijo Blaiszik. El modelo inicial para el proceso de fusión por soplado se desarrolló a través de una serie de ejecuciones de simulación realizadas en la supercomputadora Theta en Argonne Leadership Computing Facility (ALCF) con el software de dinámica de fluidos computacional (CFD) OpenFOAM y CONVERGE.