Atomair model verklaart hoe geheugenmetalen van vorm veranderen

Geheugenmetalen zijn exotische legeringen die bij kamertemperatuur zijn te vervormen, maar door verhitting weer terugkeren naar hun oorspronkelijke (‘herinnerde’) vorm. Ze worden gebruikt voor allerlei toepassingen, van stents voor dotterbehandeling van het hart, beugels voor het gebit, of het bewegen van vleugelkleppen van vliegtuigen. RUG-wetenschapper Francesco Maresca en zijn team hebben nu beschreven hoe geheugenmetalen op atomair niveau van vorm veranderen.

FSE Science Newsroom | René Fransen

De belangrijkste eigenschappen van geheugenmetalen zijn vormgeheugen en superelasticiteit. Beide worden gecontroleerd door de vorming van een “microstructurele tweeling”. Dit is een op atomair niveau zeer symmetrische opbouw van het materiaal, waarbij er domeinen ontstaan die bestaan uit paren van spiegelbeeldige kristalstructuren. De reversibele beweging langs het grensvlak van beide structuren zorgt voor een soepele vormverandering. Maresca: ‘Begrijpen welke typen “tweelingen” er ontstaan en door welke krachten ze gevormd worden is cruciaal voor het gericht maken van onderdelen die van vorm kunnen veranderen.’

Modelleren van geheugenmetalen

Een probleem is dat het nog niet duidelijk is hoe de beweging van geheugenmetalen op atomaire schaal plaatsvindt. Met een reeks technieken, waaronder machine learning, theorie over materialen en numerieke natuurkunde hebben Maresca en zijn team een model ontwikkeld waarmee het mogelijk is de kracht achter de vorming van de tweeling-structuur met hoge nauwkeurigheid te voorspellen. Dit nieuwe model verklaart hoe die vorming tot stand komt, en gaat in tegen de huidige ideeën hierover.

Het is de verwachting dat deze nieuwe aanpak het modelleren van geheugenmetalen fundamenteel zal veranderen, verwacht dr. Lorenzo La Rosa, die binnen het team van Maresca de leiding had over het modelleren van tweeling-vorming: ‘Met behulp van ons model kunnen we betere kristallijne geheugenmaterialen ontwerpen voor toepassingen waarbij omkeerbare vervorming belangrijk is, zoals het dempen van trillingen of absorberen van schokken.’ De volgende stap die het team wil zetten is om vanuit hun nieuwe bevindingen de mechanische veranderingen te voorspellen in echte toepassingen van dit soort materialen. Dat maakt het mogelijk om de eigenschappen van allerlei nieuwe geheugenmaterialen te onderzoeken.

‘Wat bijzonder was aan dit hele project’, besluit Maresca, ‘is dat we werk van studenten en onderzoekers hebben gecombineerd op het snijvlak van machine learning, materiaalwetenschap en numerieke natuurkunde: dit was een echte multidisciplinaire aanpak.’

De bevindingen van het onderzoek zijn beschreven in het tijdschrift Acta Materialia van 30 oktober.