Actualmente, el desarrollo sostenible de materiales poliméricos compuestos con un comportamiento a largo plazo (vida útil) correctamente parametrizado, representa un reto de primer nivel, debido principalmente a dos factores:

• Las técnicas de caracterización clásicas empleadas hoy en día para la definición de las propiedades a largo plazo, demandan largos y costosos ensayos. Los ensayos de fatiga se pueden alargar de 4 a 8 meses y la caracterización a creep se puede extender fácilmente al año de duración, o incluso a varios años, si no se dispone de equipos multi-estación de creep.
• Resulta difícil construir simulaciones computacionales que capturen completamente las complicadas relaciones que existen entre las propiedades a largo plazo y los mecanismos microestructurales que las producen.

Para contrarrestar esta situación, se recurre por ejemplo al sobredimensionado de las piezas y a infraestimar sus propiedades a largo plazo, suponiendo esto una limitación en el diseño y desarrollo de nuevos materiales. A la vista de esta brecha tecnológica resulta inviable desarrollar, validar y escalar de manera eficiente la generación de productos cuya vida útil haya sido correctamente parametrizada y caracterizada.

El proyecto KAIROS aprovecha la oportunidad que se deriva de esta brecha tecnológica y propone desarrollar nuevos métodos para predecir correctamente las propiedades a largo plazo a un bajo costo temporal y experimental/computacional, pero sin perder precisión.

En esta coyuntura se plantea un cambio de paradigma a través de KAIROS que mediante la investigación de metodologías de gemelo digital basadas en Machine Learning (ML) y estrategias de modelado multi-escala basadas en la física intrínseca de los materiales poliméricos compuestos, sentará las bases para la predicción precisa de propiedades a largo plazo, aplicable por ejemplo también, a la cadena de valor de componentes para el sector de la automoción. Se conseguirá con ello reducir tiempo, materia prima, energía y recursos económicos respecto a los métodos convencionales.

• Líder: (Centros Tecnológicos Multifocalizados) LEARTIKER SCOOP (LEARTIKER)
• Socio 2: (Centros Tecnológicos Multifocalizados) Fundación GAIKER (GAIKER)
• Socio 3: (Centros de Investigación Básica y de Excelencia) Basque Center for Applied Mathematics (BCAM)
• Socio 4: (Estructuras de Investigación de las Universidades) Euskal Herriko Unibertsitatea / Universidad del País Vasco (UPV/EHU)

• Durante el año 2022, la actividad investigadora se ha centrado, por una parte, en el desarrollo de nuevas técnicas de caracterización acelerada para capturar el comportamiento a largo plazo de los materiales, tanto desde el punto de vista de propiedades de creep y fatiga como desde el punto de vista de envejecimiento térmico, y por otra parte, también se ha investigado en la modelización multi-escala de los compuestos, realizando simulaciones desde un nivel atomístico y molecular hasta un nivel más macroscópico, pasando por la generación de modelos constitutivos que representan el comportamiento termo-mecánico de los polímeros seleccionados.
  • Más específicamente, dentro del proyecto estamos colaborando con GAIKER, desarrollando técnicas de aceleración del envejecimiento térmico controlados mediante ensayos mecánicos y físicos para determinar los datos o parámetros clave que inciden en la respuesta a largo plazo de los materiales de estudio.
  • Leartiker realiza, sobre probetas de esos materiales envejecidos, caracterizaciones dinámicas mediante técnicas de DMA para determinar el comportamiento viscoelástico y de durabilidad a creep y fatiga en equipos específicos multi-estación, con el objetivo de determinar los parámetros clave sobre los que podemos incidir para acelerar tanto los ensayos de envejecimiento térmico como los de carga mecánica continuada en el tiempo.
  • De esta forma, todos estos datos obtenidos por Gaiker y Leartiker mediante los ensayos acelerados podrán alimentar los modelos de machine learning basados en la física de los materiales donde estamos investigando en paralelo con BCAM y UPV/EHU.