Gaur egun, behar bezala parametrizatutako epe luzeko portaera (bizitza baliagarria) duten material polimeriko konposatuen garapen iraunkorra lehen mailako erronka bat da, batez ere bi faktoreren ondorioz:

• Gaur egun epe luzerako propietateak definitzeko erabiltzen diren karakterizazio-teknika klasikoak, entsegu luze eta garestiak eskatzen dituzte. Neke-saiakuntzak 4 hilabetetik 8 hilabetera luzatu daitezke, eta creep-karakterizazioa erraz joan daiteke urtebetera, edo urte batzuetara, baldin eta estazio anitzeko creep ekipamendurik ez badago.
• Epe luzeko propietateen eta horiek sortzen dituzten mekanismo mikroestrukturalen artean dauden erlazio konplexuak erabat atzematen dituzten simulazio konputazionalak eraikitzea zaila da.

Egoera horri aurre egiteko, adibidez, piezak gehiegi dimentsionatzen dira eta epe luzerako propietateak gutxiestea dira, eta horrek material berrien diseinua eta garapena mugatzen ditu. Arrakala edo eten teknologiko horren aurrean, bizitza erabilgarria modu egokian parametrizatu eta karakterizatu zaien produktuak eraginkortasunez garatzea, baliozkotzea eta eskalatzea ezinezkoa da.

KAIROS proiektuak eten teknologiko horretatik sortzen den aukera aprobetxatuz, epe luzeko propietateak modu egokian aurreikusteko metodo berriak garatzea proposatzen du, denbora- eta esperimentazio/konputazio-kostu txikiarekin, baina zehaztasunik galdu gabe.

Egoera horretan, KAIROSen bidez paradigma-aldaketa bat planteatzen da: zeinak, Machine Learning-en (ML) oinarritutako biki digitaleko metodologiak eta material polimeriko konposatuen berezko fisikan oinarritutako eskala anitzeko modelatze-estrategien ikerketaren bitartez, epe luzerako propietateak behar bezala iragartzeko oinarriak ezarriko ditu, eta automobilgintzaren sektorerako osagaien balio-katean ere aplikagarria izango da, adibidez. Horrela, ohiko metodoekin alderatuz, denbora, lehengaiak, energia eta baliabide ekonomikoak murriztea lortuko da.

• Liderra: (Foku Anitzeko Zentro Teknologikoak) LEARTIKER SCOOP (LEARTIKER)
• 2. bazkidea: (Foku Anitzeko Zentro Teknologikoak) GAIKER Fundazioa (GAIKER)
• 3. bazkidea: (Oinarrizko eta Bikaintasuneko Ikerketa Zentroak) Basque Center for Applied Mathematics (BCAM)
• 4. bazkidea: (Unbertsitateetako Ikerketa-Egiturak) Euskal Herriko Unibertsitatea / Universidad del País Vasco (UPV/EHU)

• 2022. urtean, ikerketa-jarduera; alde batetik, materialen epe luzeko portaera atzemateko karakterizazio azeleratuko teknika berriak garatzean oinarritu da, bai creep- eta neke-propietateen ikuspegitik, bai zahartze termikoaren ikuspegitik; eta, bestetik, konposatuen eskala anitzeko modelizazioan ere ikertu da, maila atomistiko eta molekularretik maila makroskopikoagoraino simulazioak eginez,  aukeratutako polimeroen portaera termo-mekanikoa irudikatzen duten eredu eratzaileen sorreratik pasatuz.
   
  • Zehazki, proiektuaren baitan, Leartikerrek Gaikerrekin elkarlanean dihardu, saiakuntza mekaniko eta fisikoen bidez kontrolatutako zahartze termikoa bizkortzeko teknikak garatzen, aztertuko diren materialen epe luzeko erantzunean eragina duten datuak edo funtsezko parametroak zehazteko.
  • LEARTIKERek, material zaharkitu horien probetetan, karakterizazio dinamikoak egiten ditu DMA tekniken bidez, creep eta neke-saiakeren bitartez estazio anitzeko ekipo espezifikoetan portaera biskoelastikoa eta iraunkortasuna zehazteko. Prozesu honen bitartez, zahartze termikoaren saiakuntzak zein karga mekaniko jarraituaren saiakuntzak denboran azkartzeko, zer parametro giltzarritan eragin daitekeen zehazteko.
  • Modu honetan GAIKER eta LEARTIKERREK saiakuntza azeleratuen bidez bildutako datu guzti horiek BCAM eta UPV/EHUrekin paraleloan ikertzen ari garen materialen fisikan oinarritutako machine learning ereduak elikatu ahal izango dituzte.