Microstructure-Conditioned Surrogate Models for Graded Multiscale Optimization of Mycelium Composites

Stel je voor dat je een huis bouwt van LEGO-steentjes. Als je voor elke muur, vloer en daktegel exact dezelfde steen gebruikt, is het huis makkelijk te bouwen, maar het kan zwak zijn op de plekken waar de wind het hardst tegenaan beukt. De natuur is echter een meesterlijk architect. Denk aan een boomstam of een menselijk bot: deze zijn niet gemaakt van één uniforme substantie. In plaats daarvan zijn ze "functioneel gegradeerd", wat betekent dat hun interne structuur soepel verandert van buiten naar binnen. De buitenkant is misschien taai en dicht om tegen stoten te beschermen, terwijl de binnenkant lichter en flexibeler is om gewicht te besparen. Dit slimme ontwerp maakt ze ongelooflijk sterk en efficiënt.

Decennialang hebben ingenieurs geprobeerd om de truc van de natuur te kopiëren door materialen te maken waarvan de interne "receptuur" van de ene plek naar de andere verandert. Maar er is een addertje onder het gras: uitzoeken hoe je de minuscule deeltjes binnen een materiaal precies moet rangschikken om de perfecte sterkte te krijgen, is als het proberen op te lossen van een puzzel met een miljoen stukjes terwijl je geblinddoekt bent. Om dit te doen, moeten computers meestal het gedrag van elk afzonderlijk klein stukje simuleren, wat zoveel tijd en rekenkracht kost dat het vaak onmogelijk is om veel verschillende ontwerpen te testen. Hier wordt het verhaal interessant: wetenschappers leren computers nu om het antwoord te "raden" met behulp van slimme afkortingen, maar ze hebben een manier nodig om die gissingen werkend te krijgen voor elk minuscuul patroon, niet alleen voor één specifiek ontwerp.

Dit artikel vertelt het verhaal van hoe onderzoekers aan de Delftse Universiteit van Technologie een slimme nieuwe "gissingsmachine" hebben gecreëerd om dit puzzelstukje op te lossen, specifiek voor een duurzaam materiaal gemaakt van schimmel (mycelium) en houtchips.

Het Probleem: Het "One-Size-Fits-None"-dilemma

Stel je voor dat je een super slimme robot hebt die kan voorspellen hoe een specifieke LEGO-muur standhoudt onder druk. Als je hem een muur laat zien die van rode steentjes is gemaakt, is hij geweldig. Maar als je hem vraagt naar een muur van blauwe steentjes, of een mix van rood en blauw, raakt hij in de war en moet hij vanaf nul opnieuw worden getraind. In de wereld van geavanceerde materialen is dit een enorm probleem. Om een perfect, door de natuur geïnspireerd structuur te ontwerpen, moeten ingenieurs duizenden verschillende interne patronen (microstructuren) testen. Het trainen van een nieuwe robot voor elk afzonderlijk patroon zou een onmogelijke hoeveelheid data en tijd vereisen.

De onderzoekers wilden een robot bouwen die naar elk patroon van houtchips en schimmel kan kijken en direct kan vertellen hoe sterk het zal zijn, zonder dat er voor elke variatie een nieuwe les nodig is.

De Oplossing: Het "Vormveranderende" Brein

Het team ontwikkelde een nieuw type kunstmatige intelligentie genaamd een HyPRNN (Hybrid Physics-Data Recurrent Neural Network). Om te begrijpen hoe dit werkt, kun je het zien als een meesterkok met een speciale assistent.

1. De Kok (Het Fysische Model): De kern van het systeem is een "kok" die de basisregels van het koken kent (natuurkunde). Deze kok weet hoe schimmel en houtchips reageren als ze worden samengedrukt of uitgerekt. Dit deel is rigide en betrouwbaar; het vergeet nooit de wetten van de natuurkunde.
2. De Assistent (Het Hypernetwerk): Het probleem is dat de kok precies moet weten welke ingrediënten er in de pan zitten. Zijn het 10% houtchips? 50%? Zijn de chips lang en dun, of kort en rond?
   • Oude methoden probeerden de kok voor elke ingrediëntenmix een nieuw kookboek te geven.
   • De nieuwe methode gebruikt een "slimme assistent" (het hypernetwerk). Deze assistent kijkt naar de ingrediënten (de microstructuur) en fluistert de kok direct de juiste instructies toe. Het vertelt de kok: "Hé, vandaag hebben we 30% houtchips gerangschikt in cirkels, pas je kookstijl daarop aan."

Dit stelt het systeem in staat om een enorme variëteit aan verschillende interne structuren aan te kunnen zonder dat het voor elk exemplaar opnieuw getraind hoeft te worden. Het is alsof je een kok hebt die zich direct kan aanpassen aan elk recept dat je hem voorschotelt, zolang je hem maar vertelt wat er in de voorraadkast zit.

De Test: Schimmel en Houtchips

Om te bewijzen dat dit idee werkte, kozen de onderzoekers voor een zeer trendy, milieuvriendelijk materiaal: mycelium-houtchipcomposiet. Mycelium is het wortelachtige deel van paddenstoelen. Wanneer het groeit op houtchips, fungeert het als een natuurlijke lijm, waardoor een lichtgewicht, biologisch afbreekbaar materiaal ontstaat dat plastic of schuim kan vervangen.

Ze simuleerden een productieproces waarbij houtchips en mycelium-"pellets" in een mal worden gedumpt, vergelijkbaar met het schenken van ontbijtgranen in een kom. De manier waarop de chips vallen en bezinken, creëert een uniek, willekeurig patroon.

• De Uitdaging: Ze wilden zien of hun "Vormveranderende Brein" kon voorspellen hoe sterk het materiaal zou zijn op basis van hoeveel pellets er zijn toegevoegd of hoe de chips waren georiënteerd voordat ze werden gedumpt.
• Het Resultaat: Ze trainden de AI op een relatief kleine dataset (slechts 512 voorbeelden). Normaal gesproken heeft AI miljoenen voorbeelden nodig om dit goed te leren. Echter, omdat hun AI "geconditioneerd" was op de natuurkunde van het materiaal, leerde het ongelooflijk snel. Het kon de sterkte van nieuwe, ongeziene patronen met hoge nauwkeurigheid voorspellen.

De Grote Overwinning: Het Ontwerpen van de Perfecte Schijf

De echte magie gebeurde toen ze deze AI gebruikten om een nieuw object te ontwerpen. Ze zetten een computersimulatie op van een schijf (zoals een wiel) die een interne druk moet kunnen weerstaan.

• De Willekeurige Aanpak: Als je de houtchips en de schimmel willekeurig mengt, heeft de schijf zwakke plekken en hoge spanning.
• De Geoptimaliseerde Aanpak: De AI draaide een optimalisatie-loop, waarbij duizenden verschillende "gradiënten" (veranderingen in de mix van houtchips en schimmel van het centrum van de schijf naar de rand) werden getest.
• De Uitkomst: De AI vond een ontwerp waarbij de materiaaleigenschappen soepel over de schijf veranderen. Dit nieuwe ontwerp verminderde de piekspanning (het punt waar het materiaal het meest waarschijnlijk breekt) met 42% vergeleken met de willekeurige versie.

Nog indrukwekkender was dat ze dit testten op een driepunts buigbalk (een klassieke technologische test). Een traditionele computersimulatie die elk minuscuul detail berekent, deed er bijna 2 uur (5.900 seconden) over om te draaien. De nieuwe AI-gestuurde simulatie volbracht dezelfde taak in slechts 2 seconden. Dat is een versnelling van bijna 3.000 keer!

Waarom dit ertoe doet

Dit artikel laat niet alleen een snellere computer zien; het toont een nieuwe manier om de toekomst te ontwerpen. Door het productieproces (hoe je de chips dumpt) direct te koppelen aan de uiteindelijke sterkte van het materiaal, kunnen ingenieurs nu structuren ontwerpen die even efficiënt zijn als de botten van de natuur.

De onderzoekers toonden ook aan dat ze de AI direct konden conditioneren op "productievariabelen". In plaats van te proberen de complexe vorm van de houtchips met wiskunde te beschrijven, zeiden ze de AI simpelweg: "Dit is de instelling die we gebruikten om de chips te dumpen," en de AI leerde hoe die specifieke instelling de sterkte van het materiaal veranderde. Dit betekent dat we in de toekomst een 3D-printer of een fabrieksrobot kunnen vertellen: "Maak dit onderdeel hier sterker en daar lichter," en de machine zal automatisch de perfecte interne arrangement van vezels en deeltjes bepalen om dat te realiseren.

Kortom, dit artikel bewijst dat door AI te leren de natuurwetten te respecteren terwijl het leert van data, we het potentieel van duurzame, bio-gebaseerde materialen kunnen ontsluiten en structuren kunnen ontwerpen die lichter, sterker en slimmer zijn dan alles wat we tot nu toe hebben gebouwd.