Beim Recycling schwankt die chemische Zusammensetzung von Metallschrott. Unerwünschte Bestandteile können dadurch die Qualität des daraus gewonnenen Metalls beeinträchtigen. Üblicherweise werden solche Verunreinigungen mit Primärmetall verdünnt. Das benötigt zusätzliche Energie und kann die Umweltvorteile des Recyclings verringern. Das Forschungsteam verfolgt stattdessen einen Ansatz, bei dem passende Verunreinigungen gezielt in die Legierungsentwicklung einbezogen werden.
Der dafür entwickelte Workflow verbindet die chemische Zusammensetzung und die Herstellungsbedingungen mit den erwarteten Eigenschaften des Materials. Er braucht laut den Forschenden keine umfangreichen Angaben zur Mikrostruktur der Legierung. Ein Suchalgorithmus geht von bekannten Legierungen aus und erzeugt neue Kandidaten. Dabei variiert er sowohl die Anteile der Elemente als auch Prozessparameter, darunter die Temperatur und die Dauer der Wärmebehandlung.
Künstliche neuronale Netze schätzen für die Kandidaten Zugfestigkeit und Bruchdehnung ab. Der Algorithmus sucht nach Kombinationen, die Festigkeit und Verformbarkeit besser zusammenbringen sollen als bekannte Werkstoffe. Er optimiert dafür aussichtsreiche Zusammensetzungen und berücksichtigt zugleich weniger untersuchte Varianten. Ein weiteres Modell prüft die vorausgewählten Kandidaten. Dieses wurde mit einem größeren Datensatz zu Legierungszusammensetzungen und Materialeigenschaften trainiert.
Die Forschenden stellten die vielversprechendsten Kandidaten her und untersuchten sie. Als Ergebnis nennt das Team 14 neue Gusseisen-Legierungen aus Metallschrott. Sie sollen eine höhere Zugfestigkeit und Bruchdehnung erreichen und zugleich geringere Produktionskosten sowie Umweltbelastungen aufweisen. Die Forschenden bezeichnen den Ansatz als Entwicklung sogenannter Dirty Alloys: Legierungen, die Schwankungen in der Zusammensetzung tolerieren und bestimmte Verunreinigungen als nützliche Bestandteile einsetzen. Die Ergebnisse wurden in Science Advances veröffentlicht.