اختراق الحد الأقصى لأداء درجة الحرارة العالية 1200 درجة مئوية! استخدمت جامعة العلوم والتكنولوجيا في بكين التعلم الآلي لتصنيع 24 سبيكة حرارية عالية الإنتروبيا مع ليونة ممتازة في درجة حرارة الغرفة.
في التطبيقات الهندسية مثل توربينات الغاز والمفاعلات النووية وأنظمة الدفع الجوي، هناك طلب قوي على السبائك المعدنية ذات الخصائص الميكانيكية الممتازة في درجات الحرارة العالية. بسبب القيود المتأصلة في نقطة انصهار المادة، وصلت مقاومة درجات الحرارة العالية للسبائك التقليدية القائمة على النيكل (Ni) إلى حدها الأقصى. من أجل تلبية الطلب على تطوير المواد الهيكلية ذات درجات الحرارة العالية،تم اقتراح السبائك المقاومة للحرارة العالية (RHEAs) في عام 2010 وجذبت الكثير من الاهتمام بسبب قدرتها على الحفاظ على قوة عالية في درجات حرارة تصل إلى 1000 درجة مئوية وما فوق.
من خلال إضافة عناصر حرارية مختلفة ذات نقطة انصهار عالية، أظهرت بعض RHEAs قوة في درجات الحرارة العالية مماثلة لتلك الموجودة في السبائك ذات درجات الحرارة العالية. بالإضافة إلى ذلك، فإن الاستقرار الهيكلي الناتج عن تأثير الإنتروبيا العالية يجعل RHEAs تتمتع بإمكانات تطبيقية كبيرة في درجات الحرارة العالية. ومع ذلك، على الرغم من أن إضافة العناصر المقاومة للحرارة إلى RHEAs سوف تزيد من قوتها في درجات الحرارة العالية، فإن قابليتها للسحب في درجة حرارة الغرفة سوف تنخفض بشكل كبير.على سبيل المثال، يكون إجهاد الكسر الانضغاطي لمعظم RHEAs في درجة حرارة الغرفة أقل من 10%، مما يجعل من الصعب معالجتها بشكل أكبر.
من أجل تطوير RHEAs ذات قوة جيدة في درجات الحرارة العالية ومرونة في درجة حرارة الغرفة،لقد أجريت العديد من الدراسات. في الماضي، تم تصميم RHEAs من خلال تعديل تركيب عناصر معينة، ولكن هذا التصميم اعتمد في الغالب على خبرة الباحثين وحدسهم وكان عرضة لقدر كبير من عدم اليقين. بالإضافة إلى ذلك، فإن مساحة التركيب المحتملة لـ RHEAs كبيرة، وتحتوي على مليارات المكونات المرشحة. إن هذا التركيب المعقد ومساحة البحث الضخمة التي يتطلبها تحد بشدة من قدرتنا على اكتشاف السبائك الواعدة بسرعة.
في السنوات الأخيرة، حظي استخدام التعلم الآلي (ML) لحل المشكلات المعقدة في علم المواد باهتمام واسع النطاق.قام فريق Su Yanjing في جامعة العلوم والتكنولوجيا في بكين بتصميم إطار عمل متعدد الأهداف (MOO) يجمع بين التعلم الآلي والبحث الجيني وتحليل المجموعة والتغذية الراجعة التجريبية، واستهدف مساحة تركيب RHEAs للبحث عن السبائك ذات القوة المثلى في درجات الحرارة العالية والمرونة في درجة حرارة الغرفة.
وعلى وجه التحديد، قام فريق البحث بتصنيع 24 RHEAs وقرر أن سبيكة ZrNbMoHfTa لديها إمكانات للتطبيقات ذات درجات الحرارة العالية.0.13ملحوظة0.27شهر0.26هف0.13تا0.21 يتميز السبائك بقوة ميكانيكية ممتازة، مع قوة خضوع تبلغ حوالي 940 ميجا باسكال عند 1200 درجة مئوية وإجهاد كسر في درجة حرارة الغرفة يبلغ 17.2%. تشير مقاومة السبائك للحرارة بشكل ملحوظ والاستقرار الهيكلي الجيد إلى إمكاناتها للتطبيقات الهيكلية في درجات الحرارة العالية، في حين تعمل قابليتها للسحب في درجة حرارة الغرفة على تعزيز خصائص معالجة السبائك.
وقد نُشرت النتائج ذات الصلة في مجلة الهندسة تحت عنوان "التصميم التركيبي بمساعدة التعلم الآلي للسبائك الحرارية عالية الإنتروبيا ذات القوة والليونة المثلى".
أبرز الأبحاث:
* تقترح هذه الدراسة طريقة لتسريع اكتشاف RHEAs ذات القوة في درجات الحرارة العالية والمرونة في درجة حرارة الغرفة من خلال دمج التعلم الآلي والبحث الجيني وتحليل المجموعات والتغذية الراجعة التجريبية
* زر0.13ملحوظة0.27شهر0.26هف0.13تا0.21 تتجاوز قوة الخضوع العالية للسبائك عند 1200 درجة مئوية جميع RHEAs المبلغ عنها، كما تكسر 1200 درجة مئوية أيضًا حد درجة حرارة الخدمة للسبائك عالية الحرارة القائمة على النيكل.
* يضع هذا العمل الأساس لتحسين خصائص متعددة لـ RHEAs ويمكن أيضًا تطبيقه بشكل أكبر على تصميم تركيبات السبائك أو أنظمة المواد الأخرى
عنوان الورقة:
https://www.sciencedirect.com/science/article/pii/S2095809924005113
اتبع الحساب الرسمي ورد على "سبائك مقاومة للحرارة عالية الانتروبيا" للحصول على ملف PDF كامل
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعات البيانات: استخدم الأساليب الإحصائية لبناء المزيد من مجموعات البيانات
لبناء نموذج التعلم الآلي، جمع الباحثون بيانات عينة السبائك التي تحتوي على عناصر معدنية مقاومة للحرارة من المجموعة 4 (Ti، V، Cr)، والمجموعة 5 (Zr، Nb، Mo)، والمجموعة 6 (Hf، Ta، W) والألمنيوم (Al) من الأدبيات. يتم تحضير جميع السبائك عن طريق الصهر القوسي لتقليل التغيرات في الخصائص الناجمة عن معالجة المواد. تتضمن إدخالات البيانات لمجموعة البيانات الأولية التركيب المبلغ عنه (ci) والخصائص الميكانيكية (y)، دون النظر في إضافة العناصر الخلالية (مثل الأكسجين والنيتروجين والكربون) إلى RHEAs، وتحتوي السبائك المصبوبة المجمعة على بنية أحادية الطور أو متعددة المراحل. وفقاً لذلك،تم تجميع مجموعتين مستقلتين من البيانات مكونتين من 54 و 145 عينة سبيكة للتنبؤ بخاصيتي الهدف، القوة في درجات الحرارة العالية والليونة في درجة حرارة الغرفة، على التوالي.
نظرًا لأن مساحة البحث في RHEAs كبيرة جدًا، فليس من الكافي الاعتماد فقط على التوقعات المستندة إلى نماذج التعلم الآلي المدربة على بيانات صغيرة للعثور على المواد ذات الأداء الأفضل. يمكن تعريف دالة المنفعة بحيث يتم اختيار بعض السبائك للتجربة لتعظيم المنفعة المتوقعة. في هذه الدراسة، اعتمد الباحثون على تحسين الأداء المتوقع المستهدف (EI) كمقياس للمنفعة لتحقيق التوازن بين الاستكشاف (بهدف تحسين نموذج التنبؤ) والاستغلال (بهدف العثور على أفضل نتائج التنبؤ). على وجه التحديد، تم استخدام طريقة الإحصاء الشهيرة "bootstrap" لأخذ العينات مع الاستبدال لبناء المزيد من مجموعات البيانات، والتي تم استخدامها لتدريب نماذج التعلم الآلي المختلفة.
هندسة النموذج: استراتيجية MOO التي تدمج التعلم الآلي والبحث الجيني وتحليل المجموعات والتصميم التجريبي
يوضح الشكل أدناه (أ) استراتيجية MOO المستخدمة في هذه الدراسة للتصميم الأمثل لـ RHEAs.يتم تقسيم سير العمل الإجمالي إلى 3 أجزاء:
* أولاً، التعلم الآلي: كما هو موضح في الشكل الموجود على اليسار أدناه، حدد نموذج التعلم الآلي لحساب قيمة التحسين المتوقعة (EI) لخاصية هدف سبيكة معينة
* ثانياً، البحث الجيني: كما هو موضح في منتصف الشكل أدناه، يتم استخدام خوارزمية الفرز الجيني غير المهيمنة (NSGA) II للبحث عن تركيبات السبائك المرشحة بناءً على قيمة التحسين المتوقعة للأداء المستهدف.
* ثالثًا، التغذية الراجعة التجريبية: كما هو موضح في الجانب الأيمن من الشكل أدناه، التغذية الراجعة التجريبية لاختيار السبائك والتحقق التجريبي من خلال تحليل المجموعة
التعلم الآلي: SVR. نموذج R لتقدير قوة الخضوع عند درجات الحرارة العالية وإجهاد الكسر عند درجة حرارة الغرفة
وكما هو موضح في الشكل أعلاه، قام الباحثون بتدريب نموذج التعلم الآلي للتنبؤ بخصائص الهدف للسبائك من خلال إقامة علاقة بين التركيب والخصائص. تم استخدام التركيبات المولية المجمعة للعناصر العشرة المشاركة في السبائك بشكل مباشر كميزات إدخال، وكانت الخاصيتان المستهدفتان (قوة الخضوع في درجات الحرارة العالية وإجهاد الكسر في درجة حرارة الغرفة) هما مخرجات نموذج التعلم الآلي.
تناولت الدراسة تسعة نماذج انحدار شائعة الاستخدام، وتم تقييم أداء النموذج باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل ارتباط بيرسون r². وبناءً على نتائج البحث، تم اختيار نموذج SVR.R باعتباره النموذج النهائي لتقييم قوة الخضوع في درجات الحرارة العالية وإجهاد الكسر في درجة حرارة الغرفة في عمليات البحث الجينية اللاحقة.
البحث الجيني: البحث عن تركيبات السبائك المرشحة
لقد تم استخدام البحث الجيني في السابق لتصميم تركيبات السبائك عالية الإنتروبيا (HEAs) والسبائك الفائقة القائمة على النيكل. هنا، يتم استخدام قيم EI المحسوبة بناءً على تنبؤات التعلم الآلي كمدخلات لخوارزمية NSGA-II لإجراء بحث استدلالي، وبعد التحديد والتقاطع والطفرة، يتم إنشاء جبهة باريتو (PF) وجبهة الحلول المهيمنة في نهاية كل تكرار وراثي.
وبشكل أكثر تحديدًا، بعد تهيئة السكان، يستخدم الباحثون أخذ العينات من مصادر أولية لإنشاء مجموعات بيانات إضافية استنادًا إلى بيانات التدريب. بعد تدريب النموذج باستخدام العينات التي تم إعادة تصميمها، تم الحصول على متوسط قيم الأداء وعدم اليقين المرتبط بها لحساب قيمة EI لكل سبيكة. بعد عدة أجيال من الاختيار والتبادل والطفرة، يتم الحصول على PF (خط باريتو لـ EI) لنتيجة EI. أخيرًا، بعد 100 جيل و100 مجموعة سكانية أولية مختارة عشوائيًا، يتم الحصول على PF الأمثل المتقارب.
التغذية الراجعة التجريبية: بما في ذلك اختيار السبائك والتحقق التجريبي من خلال تحليل المجموعة
لتوجيه عملية تركيب المركبات غير المعروفة، أجرى الباحثون تحليلًا عنقوديًا على PF واستخدموا طريقة k-means لاختيار مرشحي السبائك من مراكز المجموعة، كما هو موضح في الشكل (ج) أدناه. تتيح هذه الخطوة التحسين التكراري لنموذج التعلم الآلي من خلال دمج القياسات في مجموعة بيانات التدريب.
نتائج البحث: تم تأكيد أن نظام سبيكة ZrNbMoHfTa لديه القدرة على تطبيقات درجات الحرارة العالية
وباستخدام الطرق المذكورة أعلاه، قام الباحثون بتصنيع وتوصيف 24 تركيبة سبيكة متوقعة.وكما هو موضح في الشكل أدناه، وجدت الدراسة أن قوة الخضوع في درجات الحرارة العالية وإجهاد الكسر في درجة حرارة الغرفة لأربعة من السبائك وصلت إلى مزيج ممتاز من 714-1061 ميجا باسكال و17.2%-50.0%، على التوالي. قام الباحثون بمقارنة خصائص السبائك في مجموعة بيانات التدريب (أي بيانات T، P1-P7) مع النتائج بعد تحسين MOO (E24، E19، E17، و E21) على النحو التالي:
أولاً، دعونا نلقي نظرة على تحسين أداء RHEAs بعد تحسين MOO: لتوضيح نتائج استراتيجية MOO، قارن الباحثون بين الخاصيتين المستهدفتين للسبائك في حدود باريتو الأصلية (PF) وPF الجديدة، كما هو موضح في الجدول أعلاه.بعد التحسين، تم تحسين أداء كلا الهدفين بشكل كبير.
على وجه التحديد، بالنظر إلى السبائك ذات اللدونة العالية (>50%)، فإن قوة الخضوع في درجات الحرارة العالية (HT) لسبائك E24 تعادل تقريبًا 2.5 مرة تلك الخاصة بسبائك P1 (أي سبيكة TaNbHfZrTi النموذجية، التي تبلغ قوة خضوعها في درجات الحرارة العالية 295 ميجا باسكال فقط)؛ وبالمثل، عند النظر إلى السبائك ذات قوة الخضوع العالية (>1000 ميجا باسكال) عند 1000 درجة مئوية، فإن إجهاد الكسر في E21 أكبر بنحو 3 مرات من إجهاد الكسر في P6؛ كما تهيمن أيضًا على السبائك P2 وP3 وP4 وP5 العديد من المواد المحسنة. وبالمقارنة مع P2، زادت قوة الخضوع لـ E24 بمقدار 41.7%، في حين زاد إجهاد الكسر أيضًا بمقدار يزيد عن 54.3%. وتظهر سبائك E19 وE17 أيضًا تحسينات في القوة عند درجات الحرارة المرتفعة والمرونة عند درجة حرارة الغرفة.
باختصار، بالمقارنة مع سبيكة NbMoTaW النموذجية (قوة خضوع درجات الحرارة العالية 548 ميجا باسكال، إجهاد الكسر 2.6%) وسبائك NbMoTaWV (قوة خضوع درجات الحرارة العالية 842 ميجا باسكال، إجهاد الكسر 1.7%)،أظهرت معظم RHEAs المصممة حديثًا تحسينات كبيرة في كل من قوة الخضوع في درجات الحرارة العالية والمرونة في درجة حرارة الغرفة.
والآن دعونا نلقي نظرة على بنية ومقاومة التليين للسبائك المحسنة: درس الباحثون بشكل أعمق مراحل RHEAs المحسنة قبل وبعد تشوه الضغط عند 1000 درجة مئوية لاستكشاف استقرارها الهيكلي في التطبيقات الهندسية المحتملة في درجات الحرارة العالية. وفقًا لنتائج XRD الموضحة في الشكلين (أ) و (ب) أدناه، تتكون مراحل السبائك المصبوبة E24 و E19 و E17 من محاليل صلبة غير منظمة مركزية للجسم مكعب (BCC)، بينما يظهر السبائك E21 بنية BCC مصحوبة بكمية صغيرة من طور Laves. تظهر أنماط XRD أنإن البنية الطورية لـ RHEAS المحسّنة قبل وبعد التشوه في درجات الحرارة العالية متسقة بشكل أساسي، مما يُظهر الاستقرار الهيكلي الجيد لـ RHEAS المحسّن.
(أ، ب) بنية الطور؛ (أ) قبل المعالجة الحرارية والتشوه و(ب) بعد المعالجة الحرارية والتشوه
قام الباحثون أيضًا بمقارنة إجهاد الخضوع لسبائك E21 تحت تشوه درجات الحرارة العالية مع البيانات من الأدبيات، مما يدل على تحسن كبير في مقاومة التليين. تشير التحسينات في الخصائص المتعددة إلى أن هذه RHEAs لديها القدرة على استبدال السبائك التقليدية ذات درجات الحرارة العالية.
باختصار، حدد الباحثون نظام سبيكة واعد، ZrNbMoHfTa، وتحديدًا التركيب Zr0.13ملحوظة0.27شهر0.26هف0.13تا0.21، مع إظهار قوة خضوع قريبة من 940 ميجا باسكال عند 1200 درجة مئوية ومرونة جيدة في درجة حرارة الغرفة مع إجهاد كسر يبلغ 17.2%.تتجاوز قوة الخضوع العالية لهذا التركيب عند 1200 درجة مئوية تلك المذكورة في RHEAs، و1200 درجة مئوية تتجاوز حد درجة حرارة الخدمة للسبائك الفائقة القائمة على النيكل. تشير مقاومة السبائك للحرارة والاستقرار الهيكلي الجيد إلى أنها تتمتع بإمكانات كبيرة للتطبيقات الهيكلية في درجات الحرارة القصوى.
للذكاء الاصطناعي قيمة تطبيقية كبيرة في علم المواد
يمكن القول أن علم المواد هو أحد التخصصات الأساسية للتطور السريع للصناعة الحديثة. إن العثور على مواد جديدة ذات خصائص مستهدفة من خلال أقل عدد ممكن من التجارب هو المفتاح لتسريع اكتشاف المواد. ومع ذلك، بسبب التركيبة المعقدة، والبنية، وعملية المواد، فإن المساحة المتاحة للمواد المرشحة ضخمة، مما يجعل التصميم الفعال للمواد الجديدة صعب التحقيق. في الماضي، كان العلماء يبحثون عن هياكل بلورية جديدة عن طريق تعديل البلورات المعروفة أو تجربة مجموعات جديدة من العناصر، وهي عملية مكلفة وتستغرق وقتا طويلا وتعتمد على التجربة والخطأ وغالبا ما تستغرق أشهرا لإنتاج نتائج محدودة.واليوم، غيّر الذكاء الاصطناعي هذا الوضع تمامًا.
في نهاية نوفمبر 2023، نشرت شركة DeepMind التابعة لشركة Google ورقة بحثية رئيسية في مجلة Nature، مدعية أنها طورت نموذج التعلم المعزز للذكاء الاصطناعي Graph Networks for Materials Exploration (GNoME) لعلم المواد، ومن خلال هذا النموذج والحسابات عالية الإنتاجية للمبادئ الأولى، وجدوا أكثر من 380 ألف مادة بلورية مستقرة ترموديناميكيًا، وهو ما يعادل "إضافة 800 عام من التراكم الفكري للبشرية" وسرع بشكل كبير من سرعة اكتشاف مواد جديدة. في ديسمبر من نفس العام، أصدرت مايكروسوفت MatterGen، وهو نموذج توليد الذكاء الاصطناعي في مجال علوم المواد، والذي يمكنه التنبؤ بهياكل المواد الجديدة عند الطلب بناءً على خصائص المواد المطلوبة.
في يونيو 2024، استخدم علماء من المملكة المتحدة واليابان، بما في ذلك أكياسو ياماموتو، تكنولوجيا التعلم الآلي لتصميم نظام بحثي يجمع بين الأساليب التي يقودها الباحثون والأساليب التي تعتمد على البيانات، ونجحوا في إنتاج أقوى مغناطيس فائق التوصيل قائم على الحديد معروف في العالم. ومن المتوقع أن يعزز البحث الأخير تطوير تقنية التصوير بالرنين المغناطيسي (MRI) من الجيل التالي وتقنية النقل الكهربائي المستقبلية. نُشرت الورقة البحثية ذات الصلة، والتي تحمل عنوان "مغناطيسات دائمة فائقة القوة مع موصلات فائقة تعتمد على الحديد من خلال تصميم عملية تعتمد على البيانات والباحث"، في مجلة NPG Asia Materials الفرعية التابعة لمجلة Nature.
باختصار، من خلال الجمع بين أساليب مثل التعلم الآلي والتعلم العميق، يمكن للعلماء التنبؤ بأداء المواد بشكل أفضل، ومحاكاة بنية وخصائص الجزيئات، وتحسين تصميم وتركيب المواد، واستكشاف العلاقة بين البنية الدقيقة والخصائص العيانية للمواد، وما إلى ذلك. لن تساعد هذه التطبيقات في تحسين مستوى أبحاث علوم المواد فحسب، بل ستجلب أيضًا المزيد من فرص الابتكار في مجالات مثل تصميم المواد وتصنيعها.
مراجع:
1.https://www.sciencedirect.com/science/article/pii/S2095809924005113
2.https://phys.org/news/2024-09-machine-discovery-high-temperature-alloys.html
3.https://m.huxiu.com/article/2748177.html
4.https://www.sohu.com/a/808673682_120136032
