Dépasser La Limite De Performance À Haute Température De 1 200 °C ! L'Université Des Sciences Et Technologies De Pékin a Utilisé L'apprentissage Automatique Pour Synthétiser 24 Types D'alliages Réfractaires À Haute Entropie Présentant Une Excellente Ductilité À Température Ambiante.

Dans les applications d’ingénierie telles que les turbines à gaz, les réacteurs nucléaires et les systèmes de propulsion aérospatiale, il existe une forte demande d’alliages métalliques dotés d’excellentes propriétés mécaniques à haute température. En raison de la limitation inhérente du point de fusion du matériau, la résistance à la température des alliages traditionnels à base de nickel (Ni) à haute température a atteint sa limite. Afin de répondre aux besoins de développement de matériaux de structure à haute température,Les alliages réfractaires à haute entropie (RHEA) ont été proposés en 2010 et ont attiré beaucoup d'attention en raison de leur capacité à maintenir une résistance élevée à des températures de 1 000 °C et plus.

En ajoutant différents éléments réfractaires à point de fusion élevé, certains RHEA ont montré une résistance à haute température comparable à celle des alliages à haute température. De plus, la stabilité structurelle apportée par l'effet d'entropie élevé confère aux RHEA un grand potentiel d'application à haute température. Cependant, bien que l’ajout d’éléments réfractaires aux RHEA augmente leur résistance à haute température, leur ductilité à température ambiante sera considérablement réduite.Par exemple, la déformation à la rupture par compression de la plupart des RHEA à température ambiante est inférieure à 10%, ce qui rend leur traitement ultérieur difficile.

Afin de développer des RHEA présentant à la fois une bonne résistance à haute température et une bonne ductilité à température ambiante,Plusieurs études ont été menées. Dans le passé, les RHEA étaient conçus en ajustant la composition de certains éléments, mais cette conception reposait principalement sur l’expérience et l’intuition des chercheurs et était sujette à une grande incertitude. De plus, l’espace de composition possible des RHEA est vaste, contenant des milliards de composants candidats. Cette composition complexe et son immense espace de recherche limitent considérablement notre découverte rapide d’alliages prometteurs.

Ces dernières années, l’utilisation de l’apprentissage automatique (ML) pour résoudre des problèmes complexes en science des matériaux a reçu une attention considérable.L'équipe de Su Yanjing de l'Université des sciences et technologies de Pékin a conçu un cadre d'optimisation multi-objectifs (MOO) qui combine ML, recherche génétique, analyse de cluster et rétroaction expérimentale, et a ciblé l'espace de composition des RHEA pour rechercher des alliages avec une résistance optimale à haute température et une ductilité à température ambiante.

Plus précisément, l’équipe de recherche a synthétisé 24 RHEA et déterminé que l’alliage ZrNbMoHfTa a un potentiel pour des applications à haute température._0.13Nb_0.27Moi_0.26Hf_0.13Ta_0.21  L'alliage présente une excellente résistance mécanique, avec une limite d'élasticité de près de 940 MPa à 1200°C et une contrainte de rupture à température ambiante de 17,2%. La remarquable résistance à la chaleur et la bonne stabilité structurelle de l'alliage indiquent son potentiel pour des applications structurelles à haute température, tandis que sa ductilité à température ambiante améliore les propriétés de traitement de l'alliage.

Les résultats correspondants ont été publiés dans Engineering sous le titre « Conception compositionnelle assistée par apprentissage automatique d'alliages réfractaires à haute entropie avec résistance et ductilité optimales ».

Points saillants de la recherche :

* Cette étude propose une méthode pour accélérer la découverte de RHEA présentant une résistance à haute température et une ductilité à température ambiante en intégrant le ML, la recherche génétique, l'analyse de cluster et le retour d'expérience

* Zr_0.13Nb_0.27Moi_0.26Hf_0.13Ta_0.21  La limite d'élasticité élevée de l'alliage à 1200 °C dépasse toutes les RHEA rapportées, et 1200 °C dépasse également la limite de température de service des alliages haute température à base de nickel.

* Ce travail pose les bases de l'optimisation de multiples propriétés des RHEA et peut également être appliqué à la conception de la composition d'autres alliages ou systèmes de matériaux

Adresse du document :
https://www.sciencedirect.com/science/article/pii/S2095809924005113 

Suivez le compte officiel et répondez « Alliage réfractaire à haute entropie » pour obtenir le PDF complet

Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :

https://github.com/hyperai/awesome-ai4s

Ensembles de données : utilisez des méthodes statistiques pour créer davantage d’ensembles de données

Pour construire un modèle d'apprentissage automatique, les chercheurs ont collecté des données d'échantillons d'alliages contenant des éléments métalliques réfractaires du groupe 4 (Ti, V, Cr), du groupe 5 (Zr, Nb, Mo), du groupe 6 (Hf, Ta, W) et de l'aluminium (Al) à partir de la littérature. Tous les alliages sont préparés par fusion à l’arc pour réduire les variations de propriétés causées par le traitement des matériaux. Les entrées de données pour l'ensemble de données initial incluent la composition (ci) et les propriétés mécaniques (y) rapportées, sans tenir compte de l'ajout d'éléments interstitiels (par exemple, oxygène, azote, carbone) aux RHEA, et les alliages collectés tels que coulés contiennent une structure monophasée ou multiphasée. Par conséquent,Deux ensembles de données indépendants de 54 et 145 échantillons d'alliage ont été assemblés pour la prédiction des deux propriétés cibles, respectivement la résistance à haute température et la ductilité à température ambiante.

Étant donné que l’espace de recherche des RHEA est très vaste, il ne suffit pas de s’appuyer uniquement sur des prédictions basées sur des modèles ML formés sur de petites données pour trouver les matériaux offrant les meilleures performances. Une fonction d’utilité peut être définie de telle sorte que certains alliages soient sélectionnés pour l’expérimentation afin de maximiser l’utilité attendue. Dans cette étude, les chercheurs ont adopté l’amélioration attendue des performances cibles (EI) comme mesure d’utilité pour équilibrer l’exploration (visant à améliorer le modèle de prédiction) et l’exploitation (visant à trouver les meilleurs résultats de prédiction). Plus précisément, la célèbre méthode statistique « bootstrap » a été utilisée pour l’échantillonnage avec remplacement afin de créer davantage d’ensembles de données, qui ont été utilisés pour former différents modèles ML.

Architecture du modèle : stratégie MOO intégrant ML, recherche génétique, analyse de cluster et conception expérimentale

La figure ci-dessous (a) montre la stratégie MOO utilisée dans cette étude pour la conception optimale des RHEA.Le flux de travail global est divisé en 3 parties :

* Tout d'abord, l'apprentissage automatique : comme le montre la figure de gauche ci-dessous, sélectionnez le modèle ML pour calculer la valeur d'amélioration attendue (EI) d'une propriété cible d'alliage donnée

* Deuxièmement, recherche génétique : comme indiqué au milieu de la figure ci-dessous, l'algorithme génétique de tri non dominé (NSGA) II est utilisé pour rechercher des compositions d'alliages candidates en fonction de la valeur d'amélioration attendue des performances cibles.

* Troisièmement, le retour d'expérience : comme le montre le côté droit de la figure ci-dessous, le retour d'expérience sur la sélection des alliages et la vérification expérimentale par analyse de cluster

Apprentissage automatique : SVR. Modèle R pour l'estimation de la limite d'élasticité à haute température et de la déformation à la rupture à température ambiante

Comme le montre la figure ci-dessus, les chercheurs ont formé le modèle ML pour prédire les propriétés cibles de l’alliage en établissant une relation entre la composition et les propriétés. Les compositions molaires collectées des 10 éléments impliqués dans les alliages ont été directement utilisées comme caractéristiques d'entrée, et les deux propriétés cibles (limite d'élasticité à haute température et contrainte de rupture à température ambiante) étaient les sorties du modèle ML.

L’étude a pris en compte neuf modèles de régression couramment utilisés et a évalué les performances du modèle à l’aide de l’erreur quadratique moyenne (RMSE), de l’erreur absolue moyenne (MAE) et du coefficient de corrélation de Pearson r². Sur la base des résultats de la recherche, le modèle SVR.R a été sélectionné comme modèle final pour évaluer la limite d'élasticité à haute température et la déformation à la rupture à température ambiante dans les recherches génétiques ultérieures.

Recherche génétique : recherche de compositions d'alliages candidates

La recherche génétique a déjà été utilisée pour la conception compositionnelle d’alliages à haute entropie (HEA) et de superalliages à base de nickel. Ici, les valeurs EI calculées sur la base des prédictions ML sont utilisées comme entrée de l'algorithme NSGA-II pour effectuer une recherche heuristique, et après sélection, croisement et mutation, le front de Pareto (PF) et le front des solutions dominantes sont générés à la fin de chaque itération génétique.

Plus précisément, une fois la population initialisée, les chercheurs utilisent l’échantillonnage bootstrap pour construire des ensembles de données supplémentaires basés sur les données d’entraînement. Après avoir entraîné le modèle avec des échantillons bootstrapés, les valeurs moyennes des performances et leurs incertitudes associées ont été obtenues pour calculer la valeur EI pour chaque alliage. Après plusieurs générations de sélection, de croisement et de mutation, une police de Pareto de l'EI (PF) du résultat de l'EI est obtenue. Finalement, après 100 générations et 100 populations initiales sélectionnées aléatoirement, le PF optimal convergé est obtenu.

Retour d'expérience : y compris la sélection des alliages et la vérification expérimentale par analyse de cluster

Pour guider la synthèse de composés inconnus, les chercheurs ont effectué une analyse de cluster sur le PF et ont utilisé la méthode k-means pour sélectionner les candidats alliages à partir des centres de cluster, comme le montre la figure (c) ci-dessous. Cette étape permet une amélioration itérative du modèle ML en incorporant des mesures dans l’ensemble de données d’entraînement.

Résultats de recherche : le système d'alliage ZrNbMoHfTa a confirmé son potentiel pour les applications à haute température

En utilisant les méthodes mentionnées ci-dessus, les chercheurs ont synthétisé et caractérisé 24 compositions d’alliages prédites.Comme le montre la figure ci-dessous, l'étude a révélé que la limite d'élasticité à haute température et la contrainte de rupture à température ambiante de quatre des alliages atteignaient une excellente combinaison de 714-1061 MPa et 17,2%-50,0%, respectivement. Les chercheurs ont comparé les propriétés de l'alliage dans l'ensemble de données d'entraînement (c'est-à-dire les données T, P1-P7) avec les résultats après optimisation MOO (E24, E19, E17 et E21) comme suit :

Tout d’abord, examinons l’amélioration des performances des RHEA après l’optimisation MOO : Pour illustrer les résultats de la stratégie MOO, les chercheurs ont comparé les deux propriétés cibles de l’alliage dans la frontière de Pareto d’origine (PF) et la nouvelle PF, comme indiqué dans le tableau ci-dessus.Après optimisation, les performances des deux cibles ont été considérablement améliorées.

Plus précisément, si l’on considère les alliages à ductilité élevée (>50%), la limite d’élasticité à haute température (HT) de l’alliage E24 est presque 2,5 fois supérieure à celle de P1 (c’est-à-dire un alliage TaNbHfZrTi typique, dont la limite d’élasticité HT n’est que de 295 MPa) ; de même, si l'on considère les alliages à haute limite d'élasticité (> 1000 MPa) à 1000 °C, la déformation à la rupture de E21 est presque 3 fois supérieure à celle de P6 ; les alliages P2, P3, P4 et P5 sont également dominés par de multiples matériaux optimisés. Par rapport à P2, la limite d'élasticité de E24 a augmenté de 41,7%, tandis que sa contrainte de rupture a également augmenté de plus de 54,3%. Les alliages E19 et E17 présentent également des améliorations en termes de résistance à température élevée et de ductilité à température ambiante.

En résumé, comparé à l'alliage typique NbMoTaW (limite d'élasticité à haute température de 548 MPa, déformation à la rupture de 2,6%) et à l'alliage NbMoTaWV (limite d'élasticité à haute température de 842 MPa, déformation à la rupture de 1,7%),La plupart des RHEA nouvellement conçus ont montré des améliorations significatives à la fois en termes de limite d’élasticité à haute température et de ductilité à température ambiante.

Ensuite, examinons la structure et la résistance au ramollissement de l’alliage optimisé : Les chercheurs ont étudié plus en détail les phases des RHEA optimisés avant et après déformation par compression à 1 000 °C pour explorer leur stabilité structurelle dans des applications techniques potentielles à haute température. Selon les résultats de XRD présentés dans les figures (a) et (b) ci-dessous, les phases des alliages coulés E24, E19 et E17 sont composées de solutions solides cubiques centrées désordonnées (BCC), tandis que l'alliage E21 présente une structure BCC accompagnée d'une petite quantité de phase de Laves. Les schémas de DRX montrent queLa structure de phase du RHEAS optimisé avant et après déformation à haute température est fondamentalement cohérente, montrant la bonne stabilité structurelle du RHEAS optimisé.

Les chercheurs ont également comparé la limite d’élasticité de l’alliage E21 sous déformation à haute température avec les données de la littérature, montrant une amélioration significative de la résistance à l’adoucissement. Les améliorations apportées à de multiples propriétés suggèrent que ces RHEA ont le potentiel de remplacer les alliages conventionnels à haute température.

En bref, les chercheurs ont identifié un système d’alliage prometteur, ZrNbMoHfTa, plus précisément la composition Zr_0.13Nb_0.27Moi_0.26Hf_0.13Ta_0.21, présentant une limite d'élasticité proche de 940 MPa à 1200°C et une bonne ductilité à température ambiante avec une déformation à la rupture de 17,2%.La limite d'élasticité élevée de cette composition à 1200°C dépasse celle des RHEA rapportés, et 1200°C est au-delà de la limite de température de service des superalliages à base de nickel. La résistance à la chaleur et la bonne stabilité structurelle de l’alliage suggèrent qu’il présente un potentiel considérable pour les applications structurelles à des températures extrêmes.

L’intelligence artificielle a une grande valeur d’application dans la science des matériaux

La science des matériaux peut être considérée comme l’une des disciplines piliers du développement rapide de l’industrie moderne. Trouver de nouveaux matériaux avec des propriétés cibles à travers le moins d’expériences possible est la clé pour accélérer la découverte de matériaux. Cependant, en raison de la composition, de la structure et du processus complexes des matériaux, l’espace pour les matériaux candidats est énorme, ce qui rend la conception efficace de nouveaux matériaux difficile à réaliser. Par le passé, les scientifiques recherchaient de nouvelles structures cristallines en modifiant des cristaux connus ou en essayant de nouvelles combinaisons d’éléments, un processus d’essais et d’erreurs coûteux et long qui prenait souvent des mois pour produire des résultats limités.Aujourd’hui, l’IA a complètement changé cette situation.

Fin novembre 2023, DeepMind de Google a publié un article majeur dans le magazine Nature, affirmant avoir développé un modèle d'apprentissage par renforcement de l'intelligence artificielle Graph Networks for Materials Exploration (GNoME) pour la science des matériaux, et grâce à ce modèle et à des calculs à haut débit basés sur les premiers principes, ils ont trouvé plus de 380 000 matériaux cristallins thermodynamiquement stables, ce qui équivaut à « ajouter 800 ans d'accumulation intellectuelle à l'humanité », accélérant considérablement la vitesse de découverte de nouveaux matériaux. En décembre de la même année, Microsoft a publié MatterGen, un modèle de génération d'intelligence artificielle dans le domaine de la science des matériaux, qui peut prédire de nouvelles structures de matériaux à la demande en fonction des propriétés matérielles requises.

Pour plus de détails sur GNoME, voir : 800 ans d’avance sur les humains ? DeepMind lance GNoME, utilisant l'apprentissage profond pour prédire 2,2 millions de nouveaux cristaux

En juin 2024, des scientifiques du Royaume-Uni et du Japon, dont Akiyasu Yamamoto, ont utilisé la technologie de l'apprentissage automatique pour concevoir un système de recherche combinant des méthodes axées sur les chercheurs et celles basées sur les données, et ont réussi à produire l'aimant supraconducteur à base de fer le plus puissant au monde. Les dernières recherches devraient favoriser le développement de la technologie d’imagerie par résonance magnétique (IRM) de nouvelle génération et de la future technologie de transport électrifié. L'article connexe, intitulé « Aimants permanents super résistants avec supraconducteurs à base de fer grâce à une conception de processus pilotée par les données et les chercheurs », a été publié dans la revue subsidiaire de Nature, NPG Asia Materials.

En résumé, en combinant des méthodes telles que l’apprentissage automatique et l’apprentissage profond, les scientifiques peuvent mieux prédire les performances des matériaux, simuler la structure et les propriétés des molécules, optimiser la conception et la synthèse des matériaux, explorer la relation entre la microstructure et les propriétés macroscopiques des matériaux, etc. Ces applications contribueront non seulement à améliorer le niveau de recherche en science des matériaux, mais apporteront également davantage d’opportunités d’innovation dans des domaines tels que la conception et la fabrication de matériaux.

Références :
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