Multifunctional protective architectures for astronauts: machine learning-guided optimization of self-healing polymers

Human long-duration exploration missions towards the Moon or Mars pose unprecedented challenges for astronauts protection. Current space system, based on passive multilayer architectures, offer limited protection against micrometeoroid and orbital debris (MMOD) impacts or prolonged exposure to ionizing radiation, such as galactic cosmic rays (GCR) and solar particle events (SPE). This research presents an innovative computational framework that integrates self-healing polymer materials (vitrimers) into protective multilayer architectures, optimized through a hierarchical approach guided by machine learning (ML). The methodology combines radiative transport simulations and molecular dynamics with advanced ML models to simultaneously predict and optimize radiation shielding and thermo-mechanical properties. A hierarchical approach is developed to efficiently explore a vast chemical space of vitrimer candidates. Subsequently, these findings are integrated into the optimization of a multilayer "sandwich" architecture (Polymer-Vitrimer-Polymer), optimized for two distinct radiation scenarios (SPE and GCR), balancing shielding effectiveness, mass, and self-repair capability. The results demonstrate that the optimized configurations offer significant improvements over conventional designs, paving the way for safer, more resilient, and longer-lasting space suits for future interplanetary missions.

Le missioni di esplorazione umana di lunga durata verso la Luna o Marte pongono sfide senza precedenti per la protezione degli astronauti. Gli attuali sistemi spaziali, basati su architetture passive multistrato, offrono una protezione limitata contro gli impatti da micrometeoroidi e detriti orbitali (MMOD) o l’esposizione prolungata a radiazioni ionizzanti, quali i raggi cosmici galattici (GCR) e gli eventi di particelle solari (SPE). La presente ricerca introduce un innovativo quadro computazionale che integra materiali polimerici autoriparanti (vitrimeri) in architetture protettive multistrato, ottimizzate mediante un approccio gerarchico guidato dal machine learning (ML). La metodologia combina simulazioni di trasporto radiativo e dinamica molecolare con modelli avanzati di ML, al fine di prevedere e ottimizzare simultaneamente le proprietà di schermatura dalle radiazioni e quelle termo-meccaniche. È stato sviluppato un approccio gerarchico per esplorare in modo efficiente un ampio spazio chimico di potenziali vitrimeri. Successivamente, tali risultati sono stati integrati nell’ottimizzazione di un’architettura multistrato a “sandwich” (Polimero-Vitrimero-Polimero), ottimizzata per due distinti scenari di radiazione (SPE e GCR), bilanciando efficacia schermante, massa e capacità di autoriparazione. I risultati dimostrano che le configurazioni ottimizzate offrono miglioramenti significativi rispetto ai design convenzionali, aprendo la strada a tute spaziali più sicure, resilienti e durature per le future missioni interplanetarie.