Durchbrechen Der Hochtemperatur-Leistungsgrenze Von 1200 °C! Die Universität Für Wissenschaft Und Technologie Peking Nutzte Maschinelles Lernen, Um 24 Arten Feuerfester Hochentropielegierungen Mit Ausgezeichneter Duktilität Bei Raumtemperatur Zu Synthetisieren.
In technischen Anwendungen wie Gasturbinen, Kernreaktoren und Antriebssystemen für die Luft- und Raumfahrt besteht eine starke Nachfrage nach Metalllegierungen mit hervorragenden mechanischen Eigenschaften bei hohen Temperaturen. Aufgrund der inhärenten Begrenzung des Schmelzpunkts des Materials ist die Temperaturbeständigkeit herkömmlicher Hochtemperaturlegierungen auf Nickelbasis (Ni) an ihre Grenzen gestoßen. Um der Nachfrage nach der Entwicklung von Hochtemperatur-Strukturmaterialien gerecht zu werden,Feuerfeste Hochentropielegierungen (RHEAs) wurden im Jahr 2010 vorgeschlagen und erregten aufgrund ihrer Fähigkeit, bei Temperaturen von 1000 °C und mehr eine hohe Festigkeit aufrechtzuerhalten, große Aufmerksamkeit.
Durch die Zugabe verschiedener hochschmelzender feuerfester Elemente zeigten einige RHEAs eine Hochtemperaturfestigkeit, die mit der von Hochtemperaturlegierungen vergleichbar ist. Darüber hinaus verleiht die durch den Hochentropieeffekt bedingte strukturelle Stabilität RHEAs ein großes Anwendungspotenzial bei hohen Temperaturen. Obwohl die Zugabe feuerfester Elemente zu RHEAs deren Hochtemperaturfestigkeit erhöht, wird ihre Duktilität bei Raumtemperatur stark reduziert.Beispielsweise beträgt die Druckbruchdehnung der meisten RHEAs bei Raumtemperatur weniger als 10%, was ihre Weiterverarbeitung erschwert.
Um RHEAs mit guter Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur zu entwickeln,Es wurden mehrere Studien durchgeführt. In der Vergangenheit wurden RHEAs durch Anpassung der Zusammensetzung bestimmter Elemente entwickelt, doch dieses Design basierte größtenteils auf der Erfahrung und Intuition der Forscher und war mit großen Unsicherheiten behaftet. Darüber hinaus ist der mögliche Zusammensetzungsraum von RHEAs groß und enthält Milliarden von Kandidatenkomponenten. Diese komplexe Zusammensetzung und der riesige Suchraum schränken unsere schnelle Entdeckung vielversprechender Legierungen erheblich ein.
In den letzten Jahren hat der Einsatz von maschinellem Lernen (ML) zur Lösung komplexer Probleme in der Materialwissenschaft große Aufmerksamkeit erhalten.Das Team von Su Yanjing an der University of Science and Technology Beijing entwickelte ein Framework zur Mehrzieloptimierung (MOO), das ML, genetische Suche, Clusteranalyse und experimentelles Feedback kombiniert und sich auf den Zusammensetzungsraum der RHEAs konzentriert, um nach Legierungen mit optimaler Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur zu suchen.
Konkret synthetisierte das Forschungsteam 24 RHEAs und stellte fest, dass die ZrNbMoHfTa-Legierung Potenzial für Hochtemperaturanwendungen hat.0.13Nr.0.27Mo0.26Hf0.13Ta0.21 Die Legierung weist eine ausgezeichnete mechanische Festigkeit auf, mit einer Streckgrenze von fast 940 MPa bei 1200 °C und einer Bruchdehnung bei Raumtemperatur von 17,2%. Die bemerkenswerte Hitzebeständigkeit und gute strukturelle Stabilität der Legierung weisen auf ihr Potenzial für strukturelle Anwendungen bei hohen Temperaturen hin, während ihre Duktilität bei Raumtemperatur die Verarbeitungseigenschaften der Legierung verbessert.
Die entsprechenden Ergebnisse wurden in Engineering unter dem Titel „Machine-Learning-Assisted Compositional Design of Refractory High-Entropy Alloys with Optimal Strength and Ductility“ veröffentlicht.
Forschungshighlights:
* Diese Studie schlägt eine Methode vor, um die Entdeckung von RHEAs mit Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur durch die Integration von ML, genetischer Suche, Clusteranalyse und experimentellem Feedback zu beschleunigen
* Zr0.13Nr.0.27Mo0.26Hf0.13Ta0.21 Die hohe Streckgrenze der Legierung bei 1200 °C übertrifft alle gemeldeten RHEAs und 1200 °C überschreitet auch die Betriebstemperaturgrenze von Hochtemperaturlegierungen auf Nickelbasis.
* Diese Arbeit legt den Grundstein für die Optimierung mehrerer Eigenschaften von RHEAs und kann auch auf die Zusammensetzung anderer Legierungen oder Materialsysteme angewendet werden.
Papieradresse:
https://www.sciencedirect.com/science/article/pii/S2095809924005113
Folgen Sie dem offiziellen Konto und antworten Sie mit „Refractory High Entropy Alloy“, um das vollständige PDF zu erhalten
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Datensätze: Verwenden Sie statistische Methoden, um mehr Datensätze zu erstellen
Um ein maschinelles Lernmodell zu erstellen, sammelten die Forscher aus der Literatur Daten zu Legierungsproben, die Elemente aus feuerfesten Metallen der Gruppen 4 (Ti, V, Cr), 5 (Zr, Nb, Mo) und 6 (Hf, Ta, W) sowie Aluminium (Al) enthielten. Alle Legierungen werden durch Lichtbogenschmelzen hergestellt, um durch die Materialverarbeitung bedingte Eigenschaftsschwankungen zu reduzieren. Die Dateneinträge für den anfänglichen Datensatz umfassen die gemeldete Zusammensetzung (ci) und die mechanischen Eigenschaften (y), ohne die Hinzufügung von Zwischengitterelementen (z. B. Sauerstoff, Stickstoff, Kohlenstoff) zu den RHEAs zu berücksichtigen, und die gesammelten Legierungen im Gusszustand enthalten entweder eine einphasige oder eine mehrphasige Struktur. Entsprechend,Zur Vorhersage der beiden Zieleigenschaften, nämlich Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur, wurden zwei unabhängige Datensätze mit 54 und 145 Legierungsproben zusammengestellt.
Angesichts des sehr großen Suchraums von RHEAs reicht es nicht aus, sich bei der Suche nach Materialien mit der besten Leistung ausschließlich auf Vorhersagen zu verlassen, die auf ML-Modellen basieren, die mit kleinen Datenmengen trainiert wurden. Eine Nutzenfunktion kann so definiert werden, dass einige Legierungen für Experimente ausgewählt werden, um den erwarteten Nutzen zu maximieren. In dieser Studie haben die Forscher die erwartete Verbesserung der Zielleistung (EI) als Nutzenmetrik verwendet, um Exploration (mit dem Ziel, das Vorhersagemodell zu verbessern) und Ausbeutung (mit dem Ziel, die besten Vorhersageergebnisse zu finden) auszugleichen. Insbesondere wurde die bekannte statistische Methode „Bootstrap“ zum Sampling mit Zurücklegen verwendet, um weitere Datensätze zu erstellen, die zum Trainieren verschiedener ML-Modelle verwendet wurden.
Modellarchitektur: MOO-Strategie, die ML, genetische Suche, Clusteranalyse und experimentelles Design integriert
Die folgende Abbildung (a) zeigt die in dieser Studie verwendete MOO-Strategie für das optimale Design von RHEAs.Der gesamte Arbeitsablauf ist in drei Teile unterteilt:
* Erstens, maschinelles Lernen: Wie in der linken Abbildung unten gezeigt, wählen Sie das ML-Modell aus, um den erwarteten Verbesserungswert (EI) einer bestimmten Legierungszieleigenschaft zu berechnen
* Zweitens, Genetische Suche: Wie in der Mitte der folgenden Abbildung gezeigt, wird der nicht dominierte genetische Sortieralgorithmus (NSGA) II verwendet, um basierend auf dem erwarteten Verbesserungswert der Zielleistung nach Kandidatenlegierungszusammensetzungen zu suchen.
* Drittens, Experimentelles Feedback: Wie in der rechten Seite der Abbildung unten gezeigt, experimentelles Feedback zur Legierungsauswahl und experimentelle Überprüfung durch Clusteranalyse
Maschinelles Lernen: SVR. R-Modell zur Schätzung der Streckgrenze bei hohen Temperaturen und der Bruchdehnung bei Raumtemperatur
Wie in der Abbildung oben gezeigt, trainierten die Forscher das ML-Modell, um die Zieleigenschaften der Legierung vorherzusagen, indem sie eine Beziehung zwischen Zusammensetzung und Eigenschaften herstellten. Die gesammelten molaren Zusammensetzungen der 10 an den Legierungen beteiligten Elemente wurden direkt als Eingabemerkmale verwendet, und die beiden Zieleigenschaften (Hochtemperatur-Streckgrenze und Bruchdehnung bei Raumtemperatur) waren die Ausgaben des ML-Modells.
Die Studie berücksichtigte neun häufig verwendete Regressionsmodelle und bewertete die Modellleistung mithilfe des mittleren quadratischen Fehlers (RMSE), des mittleren absoluten Fehlers (MAE) und des Pearson-Korrelationskoeffizienten r². Basierend auf den Forschungsergebnissen wurde das SVR.R-Modell als endgültiges Modell zur Bewertung der Streckgrenze bei hohen Temperaturen und der Bruchdehnung bei Raumtemperatur in nachfolgenden genetischen Suchen ausgewählt.
Genetische Suche: Suche nach möglichen Legierungszusammensetzungen
Die genetische Suche wurde bereits früher für die Zusammensetzungsgestaltung von Hochentropielegierungen (HEAs) und Superlegierungen auf Nickelbasis verwendet. Hier werden die basierend auf ML-Vorhersagen berechneten EI-Werte als Eingabe des NSGA-II-Algorithmus verwendet, um eine heuristische Suche durchzuführen, und nach Auswahl, Kreuzung und Mutation werden am Ende jeder genetischen Iteration die Pareto-Front (PF) und die Front der dominierenden Lösungen generiert.
Genauer gesagt verwenden die Forscher nach der Initialisierung der Population Bootstrap-Sampling, um zusätzliche Datensätze basierend auf den Trainingsdaten zu erstellen. Nach dem Training des Modells mit Bootstrap-Proben wurden die Mittelwerte der Leistung und die damit verbundenen Unsicherheiten ermittelt, um den EI-Wert für jede Legierung zu berechnen. Nach mehreren Generationen der Selektion, Kreuzung und Mutation wird ein PF (Pareto-Schriftart der EI) des EI-Ergebnisses erhalten. Schließlich wird nach 100 Generationen und 100 zufällig ausgewählten Anfangspopulationen der konvergierte optimale PF erreicht.
Experimentelles Feedback: einschließlich Legierungsauswahl und experimenteller Überprüfung durch Clusteranalyse
Um die Synthese unbekannter Verbindungen zu steuern, führten die Forscher eine Clusteranalyse des PF durch und verwendeten die K-Means-Methode, um Legierungskandidaten aus den Clusterzentren auszuwählen, wie in Abbildung (c) unten dargestellt. Dieser Schritt ermöglicht eine iterative Verbesserung des ML-Modells durch die Einbeziehung von Messungen in den Trainingsdatensatz.
Forschungsergebnisse: ZrNbMoHfTa-Legierungssystem mit Potenzial für Hochtemperaturanwendungen bestätigt
Mithilfe der oben genannten Methoden synthetisierten und charakterisierten die Forscher 24 vorhergesagte Legierungszusammensetzungen.Wie in der Abbildung unten gezeigt, ergab die Studie, dass die Hochtemperatur-Streckgrenze und die Bruchdehnung bei Raumtemperatur von vier der Legierungen eine hervorragende Kombination von 714–1061 MPa bzw. 17,2%–50,0% erreichten. Die Forscher verglichen die Legierungseigenschaften im Trainingsdatensatz (d. h. T-Daten, P1-P7) mit den Ergebnissen nach der MOO-Optimierung (E24, E19, E17 und E21) wie folgt:
Sehen wir uns zunächst die Leistungsverbesserung von RHEAs nach der MOO-Optimierung an: Um die Ergebnisse der MOO-Strategie zu veranschaulichen, verglichen die Forscher die beiden Zieleigenschaften der Legierung in der ursprünglichen Pareto-Grenze (PF) und der neuen PF, wie in der obigen Tabelle dargestellt.Nach der Optimierung wurde die Leistung beider Ziele deutlich verbessert.
Insbesondere bei Legierungen mit hoher Duktilität (>50%) ist die Hochtemperatur-Streckgrenze (HT) der E24-Legierung fast 2,5-mal so hoch wie die von P1 (d. h. einer typischen TaNbHfZrTi-Legierung, deren HT-Streckgrenze nur 295 MPa beträgt). ähnlich ist bei Legierungen mit hoher Streckgrenze (>1000 MPa) bei 1000 °C die Bruchdehnung von E21 fast dreimal so hoch wie die von P6; Auch die Legierungen P2, P3, P4 und P5 werden von mehreren optimierten Materialien dominiert. Im Vergleich zu P2 erhöhte sich die Streckgrenze von E24 um 41,7%, während seine Bruchdehnung ebenfalls um mehr als 54,3% zunahm. Die Legierungen E19 und E17 weisen außerdem Verbesserungen bei der Festigkeit bei erhöhten Temperaturen und der Duktilität bei Raumtemperatur auf.
Zusammenfassend lässt sich sagen, dass im Vergleich zur typischen NbMoTaW-Legierung (Hochtemperatur-Streckgrenze von 548 MPa, Bruchdehnung von 2,6%) und der NbMoTaWV-Legierung (Hochtemperatur-Streckgrenze von 842 MPa, Bruchdehnung von 1,7%)Die meisten der neu entwickelten RHEAs wiesen erhebliche Verbesserungen sowohl hinsichtlich der Streckgrenze bei hohen Temperaturen als auch der Duktilität bei Raumtemperatur auf.
Als nächstes betrachten wir die Struktur und den Erweichungswiderstand der optimierten Legierung: Die Forscher untersuchten die Phasen der optimierten RHEAs vor und nach der Kompressionsverformung bei 1000 °C weiter, um ihre strukturelle Stabilität in potenziellen technischen Anwendungen bei hohen Temperaturen zu untersuchen. Gemäß den in den Abbildungen (a) und (b) unten dargestellten XRD-Ergebnissen bestehen die Phasen der Gusslegierungen E24, E19 und E17 aus ungeordneten kubisch-raumzentrierten (BCC) Festkörperlösungen, während die Legierung E21 eine BCC-Struktur mit einer geringen Menge an Laves-Phase aufweist. XRD-Muster zeigen, dassDie Phasenstruktur des optimierten RHEAS vor und nach der Hochtemperaturverformung ist grundsätzlich konsistent, was die gute strukturelle Stabilität des optimierten RHEAS zeigt.
(a, b) Phasenstruktur; (a) vor der Wärmebehandlung und Verformung und (b) nach der Wärmebehandlung und Verformung
Die Forscher verglichen außerdem die Streckgrenze der Legierung E21 bei Hochtemperaturverformung mit Daten aus der Literatur und zeigten eine deutliche Verbesserung der Erweichungsbeständigkeit. Die Verbesserungen in mehreren Eigenschaften lassen darauf schließen, dass diese RHEAs das Potenzial haben, herkömmliche Hochtemperaturlegierungen zu ersetzen.
Kurz gesagt, die Forscher identifizierten ein vielversprechendes Legierungssystem, ZrNbMoHfTa, insbesondere die Zusammensetzung Zr0.13Nr.0.27Mo0.26Hf0.13Ta0.21, weist eine Streckgrenze von nahezu 940 MPa bei 1200 °C und eine gute Duktilität bei Raumtemperatur mit einer Bruchdehnung von 17,2% auf.Die hohe Streckgrenze dieser Zusammensetzung bei 1200 °C übertrifft die der bekannten RHEAs, und 1200 °C liegt über der Betriebstemperaturgrenze von Superlegierungen auf Nickelbasis. Die Hitzebeständigkeit und gute strukturelle Stabilität der Legierung lassen darauf schließen, dass sie ein erhebliches Potenzial für strukturelle Anwendungen bei extremen Temperaturen besitzt.
Künstliche Intelligenz hat einen großen Anwendungswert in der Materialwissenschaft
Man kann sagen, dass die Materialwissenschaft eine der Grundpfeilerdisziplinen für die rasante Entwicklung der modernen Industrie ist. Der Schlüssel zur Beschleunigung der Materialforschung besteht darin, mit möglichst wenigen Experimenten neue Materialien mit den gewünschten Eigenschaften zu finden. Aufgrund der komplexen Zusammensetzung, Struktur und Verarbeitung von Materialien ist der Spielraum für mögliche Materialien jedoch riesig, was die effiziente Entwicklung neuer Materialien erschwert. In der Vergangenheit suchten Wissenschaftler nach neuen Kristallstrukturen, indem sie bekannte Kristalle veränderten oder neue Elementkombinationen ausprobierten. Dabei handelte es sich um einen teuren und zeitaufwändigen Versuch-und-Irrtum-Prozess, der oft Monate dauerte und nur begrenzte Ergebnisse lieferte.Heute hat die KI diese Situation völlig verändert.
Ende November 2023 veröffentlichte Googles DeepMind einen wichtigen Artikel im Magazin Nature, in dem es behauptete, das Unternehmen habe ein künstliches Intelligenz-Reinigungslernmodell namens Graph Networks for Materials Exploration (GNoME) für die Materialwissenschaft entwickelt und mithilfe dieses Modells und Hochdurchsatz-Rechnungen nach dem First-Principles-Prinzip mehr als 380.000 thermodynamisch stabile kristalline Materialien gefunden, was „800 Jahren zusätzlicher intellektueller Ansammlung für die Menschheit“ entspräche und die Geschwindigkeit der Entdeckung neuer Materialien erheblich beschleunige. Im Dezember desselben Jahres veröffentlichte Microsoft MatterGen, ein auf künstlicher Intelligenz basierendes Generierungsmodell im Bereich der Materialwissenschaften, das auf Anfrage neue Materialstrukturen basierend auf den erforderlichen Materialeigenschaften vorhersagen kann.
Im Juni 2024 verwendeten Wissenschaftler aus Großbritannien und Japan, darunter Akiyasu Yamamoto, maschinelles Lernen, um ein Forschungssystem zu entwickeln, das forscher- und datengesteuerte Methoden kombiniert, und produzierten erfolgreich den weltweit stärksten bekannten supraleitenden Magneten auf Eisenbasis. Die neuesten Forschungsergebnisse dürften die Entwicklung der Magnetresonanztomographie (MRT)-Technologie der nächsten Generation und zukünftiger Technologien für den Elektrotransport vorantreiben. Das zugehörige Papier mit dem Titel „Superstrength permanent magnets with iron-based supraconductors by data- and researcher-driven process design“ (Superstarke Permanentmagnete mit eisenbasierten Supraleitern durch daten- und forschergesteuertes Prozessdesign) wurde in der Nature-Tochterzeitschrift NPG Asia Materials veröffentlicht.
Zusammenfassend lässt sich sagen, dass Wissenschaftler durch die Kombination von Methoden wie maschinellem Lernen und Deep Learning die Leistungsfähigkeit von Materialien besser vorhersagen, die Struktur und Eigenschaften von Molekülen simulieren, das Design und die Synthese von Materialien optimieren, die Beziehung zwischen der Mikrostruktur und den makroskopischen Eigenschaften von Materialien erforschen usw. Diese Anwendungen werden nicht nur dazu beitragen, das Niveau der materialwissenschaftlichen Forschung zu verbessern, sondern auch mehr Innovationsmöglichkeiten in Bereichen wie Materialdesign und -herstellung eröffnen.
Quellen:
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
