1200°C 고온 성능 한계 돌파! 베이징 과학 기술 대학교는 기계 학습을 사용하여 실온 연성이 뛰어난 24개의 내화성 고엔트로피 합금을 합성했습니다.

가스터빈, 원자로, 항공우주 추진 시스템과 같은 엔지니어링 분야에서는 우수한 고온 기계적 특성을 갖춘 금속 합금에 대한 수요가 많습니다. 재료의 융점의 본질적인 한계로 인해 기존 니켈 기반(Ni) 고온 합금의 내열성은 한계에 도달했습니다. 고온 구조재료 개발 수요를 충족하기 위해,내화성 고엔트로피 합금(RHEA)은 2010년에 제안되었으며 1000°C 이상의 온도에서도 높은 강도를 유지할 수 있는 능력으로 인해 많은 주목을 받았습니다.

다양한 고융점 내화 원소를 첨가함으로써 일부 RHEA는 고온 합금과 비슷한 고온 강도를 보였습니다. 또한, 높은 엔트로피 효과로 인한 구조적 안정성으로 인해 RHEA는 고온에서 뛰어난 응용 잠재력을 갖습니다. 그러나 RHEA에 내화성 원소를 첨가하면 고온 강도는 증가하지만, 실온 연성은 크게 감소합니다.예를 들어, 대부분의 RHEA의 실온에서 압축 파괴 변형률은 10% 미만이므로 더 이상 가공하기 어렵습니다.

고온 강도와 실온 연성이 모두 우수한 RHEA를 개발하기 위해서는여러 연구가 수행되었습니다. 과거에는 RHEA가 특정 원소의 구성을 조절하여 설계되었지만, 이러한 설계는 주로 연구자의 경험과 직관에 의존했으며 불확실성이 컸습니다. 또한 RHEA의 가능한 구성 공간은 매우 넓어서 수십억 개의 후보 구성 요소를 포함합니다. 이러한 복잡한 구성과 방대한 탐색 공간은 유망한 합금을 신속하게 발견하는 데 큰 제약이 됩니다.

최근 몇 년 동안, 재료 과학의 복잡한 문제를 해결하기 위해 머신 러닝(ML)을 사용하는 것이 널리 주목을 받고 있습니다.베이징 과학기술대학의 수얀징 연구팀은 ML, 유전자 검색, 클러스터 분석, 실험 피드백을 결합한 다목적 최적화(MOO) 프레임워크를 설계하고, 최적의 고온 강도와 상온 연성을 가진 합금을 찾기 위해 RHEA 구성 공간을 목표로 삼았습니다.

구체적으로 연구팀은 24개의 RHEA를 합성하고 ZrNbMoHfTa 합금이 고온 응용 분야에 잠재력이 있음을 확인했습니다._0.13아니요_0.27모_0.26하프_0.13고마워_0.21  이 합금은 1200°C에서 항복 강도가 약 940MPa이고 실온에서 파괴 변형률이 17.2%로 뛰어난 기계적 강도를 나타냅니다. 이 합금의 뛰어난 내열성과 우수한 구조적 안정성은 고온에서 구조적 응용이 가능하다는 것을 보여주며, 실온에서의 연성은 합금의 가공 특성을 향상시킵니다.

관련 결과는 "최적의 강도와 연성을 갖춘 내화성 고엔트로피 합금의 머신러닝 지원 조성 설계"라는 제목으로 Engineering에 게재되었습니다.

연구 하이라이트:

* 본 연구에서는 ML, 유전자 탐색, 클러스터 분석, 실험 피드백을 통합하여 고온 강도와 상온 연성을 갖는 RHEA의 발굴을 가속화하는 방법을 제안한다.

* 지르_0.13아니요_0.27모_0.26하프_0.13고마워_0.21  1200°C에서 합금의 높은 항복 강도는 보고된 모든 RHEA를 능가하며, 1200°C는 니켈 기반 고온 합금의 사용 온도 한계를 깨뜨립니다.

* 이 연구는 RHEA의 다양한 특성 최적화를 위한 기초를 마련했으며 다른 합금이나 재료 시스템의 구성 설계에도 더욱 적용될 수 있습니다.

서류 주소:
https://www.sciencedirect.com/science/article/pii/S2095809924005113 

공식 계정을 팔로우하고 "내화성 고엔트로피 합금"에 답글을 남겨 전체 PDF를 받으세요.

오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.

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

데이터 세트: 통계적 방법을 사용하여 더 많은 데이터 세트를 구축하세요

연구진은 머신 러닝 모델을 구축하기 위해 문헌에서 그룹 4(Ti, V, Cr), 그룹 5(Zr, Nb, Mo), 그룹 6(Hf, Ta, W) 내화성 금속 원소와 알루미늄(Al)을 포함하는 합금 샘플 데이터를 수집했습니다. 모든 합금은 재료 가공으로 인해 발생하는 특성 변화를 줄이기 위해 아크 용융을 통해 제조됩니다. 초기 데이터 세트의 데이터 항목에는 보고된 조성(ci)과 기계적 특성(y)이 포함되며, RHEA에 간극 원소(예: 산소, 질소, 탄소)가 추가된 사실은 고려되지 않으며, 수집된 주조 합금에는 단일상 또는 다중상 구조가 포함되어 있습니다. 따라서,54개와 145개 합금 샘플의 두 가지 독립적인 데이터 세트가 고온 강도와 상온 연성이라는 두 가지 목표 속성을 각각 예측하기 위해 조립되었습니다.

RHEA의 검색 공간이 매우 넓다는 점을 감안하면, 작은 데이터로 학습된 ML 모델에 기반한 예측에만 의존하여 최고의 성능을 보이는 재료를 찾는 데 충분하지 않습니다. 일부 합금을 실험에 선택하여 예상 유용성을 극대화하도록 유용성 함수를 정의할 수 있습니다. 이 연구에서 연구자들은 탐색(예측 모델 개선 목표)과 활용(최상의 예측 결과 찾기 목표)의 균형을 맞추기 위해 목표 성능 기대 개선(EI)을 유틸리티 지표로 채택했습니다. 구체적으로, 유명한 통계 방법인 "부트스트랩"을 대체 샘플링을 통해 사용하여 더 많은 데이터 세트를 구축하고, 이를 통해 다양한 ML 모델을 학습시켰습니다.

모델 아키텍처: ML, 유전자 검색, 클러스터 분석 및 실험 설계를 통합한 MOO 전략

아래 그림(a)은 본 연구에서 RHEA의 최적 설계를 위해 사용된 MOO 전략을 보여줍니다.전반적인 작업 흐름은 3가지 부분으로 나뉩니다.

* 첫째, 머신러닝: 아래 왼쪽 그림과 같이 주어진 합금 목표 특성의 예상 개선(EI) 값을 계산하기 위한 ML 모델을 선택합니다.

* 두 번째, 유전적 탐색: 아래 그림 중앙에서 보는 바와 같이, 비지배 정렬 유전 알고리즘(NSGA) II를 이용하여 목표 성능의 예상 개선 값을 기반으로 후보 합금 조성을 탐색합니다.

* 셋째, 실험적 피드백 : 아래 그림의 오른쪽과 같이 합금선정에 대한 실험적 피드백과 클러스터 분석을 통한 실험적 검증

머신러닝: SVR. 고온 항복 강도 및 상온 파괴 변형률 추정을 위한 R 모델

위 그림에서 보듯이, 연구진은 조성과 특성 간의 관계를 확립하여 합금의 목표 특성을 예측하도록 ML 모델을 훈련시켰습니다. 합금에 포함된 10가지 원소의 수집된 몰 조성은 입력 특성으로 직접 사용되었으며, 두 가지 목표 특성(고온 항복 강도와 상온 파괴 변형률)은 ML 모델의 출력이었습니다.

이 연구에서는 일반적으로 사용되는 9가지 회귀 모델을 고려하고 평균 제곱 오차(RMSE), 평균 절대 오차(MAE), 피어슨 상관 계수 r²를 사용하여 모델 성능을 평가했습니다. 연구 결과를 바탕으로, SVR.R 모델은 후속 유전자 탐색에서 고온 항복 강도와 상온 파괴 변형률을 평가하는 최종 모델로 선정되었습니다.

유전자 검색: 후보 합금 조성 검색

유전적 검색은 이전에 고엔트로피 합금(HEA)과 니켈 기반 초합금의 구성 설계에 사용되었습니다. 여기서 ML 예측을 기반으로 계산된 EI 값은 NSGA-II 알고리즘의 입력으로 사용되어 휴리스틱 탐색을 수행하고, 선택, 교차, 돌연변이를 거친 후 각 유전적 반복의 끝에서 파레토 전선(PF)과 지배 솔루션 전선이 생성됩니다.

보다 구체적으로, 모집단이 초기화된 후 연구자들은 부트스트랩 샘플링을 사용하여 훈련 데이터를 기반으로 추가 데이터 세트를 구성합니다. 부트스트랩 샘플로 모델을 학습한 후, 성능의 평균값과 관련 불확실성을 얻어 각 합금의 EI 값을 계산했습니다. 여러 세대에 걸친 선택, 교배, 돌연변이를 거쳐 EI 결과의 PF(EI의 파레토 글꼴)가 얻어집니다. 마지막으로, 100세대와 무작위로 선택된 100개의 초기 개체군을 거쳐 수렴된 최적 PF가 얻어집니다.

실험 피드백: 합금 선택 및 클러스터 분석을 통한 실험 검증 포함

연구진은 알려지지 않은 화합물의 합성을 유도하기 위해 PF에 대한 클러스터 분석을 수행하고 k-평균 방법을 사용하여 클러스터 중심에서 합금 후보를 선택했습니다(아래 그림(c) 참조). 이 단계에서는 측정값을 학습 데이터 세트에 통합하여 ML 모델을 반복적으로 개선할 수 있습니다.

연구 결과: ZrNbMoHfTa 합금 시스템이 고온 응용 분야에 잠재력이 있는 것으로 확인됨

연구진은 위에서 언급한 방법을 사용하여 24가지의 예상 합금 조성을 합성하고 특성화했습니다.아래 그림에서 보듯이, 연구에 따르면 4가지 합금의 고온 항복 강도와 상온 파괴 변형률은 각각 714~1061MPa와 17.2%~50.0%의 우수한 조합에 도달했습니다. 연구자들은 훈련 데이터 세트(즉, T 데이터, P1-P7)의 합금 속성을 MOO 최적화 후의 결과(E24, E19, E17 및 E21)와 다음과 같이 비교했습니다.

먼저, MOO 최적화 후 RHEA의 성능 향상을 살펴보겠습니다. MOO 전략의 결과를 설명하기 위해 연구진은 위 표에 표시된 것처럼 원래 파레토 프런티어(PF)와 새로운 PF에서 합금의 두 가지 목표 속성을 비교했습니다.최적화 후 두 타겟의 성능이 크게 향상되었습니다.

구체적으로, 높은 연성(>50%)을 갖는 합금을 고려할 때, E24 합금의 고온 항복 강도(HT)는 P1(즉, HT 항복 강도가 295MPa에 불과한 전형적인 TaNbHfZrTi 합금)의 약 2.5배입니다. 마찬가지로, 1000°C에서 높은 항복 강도(>1000 MPa)를 갖는 합금을 고려할 때, E21의 파괴 변형률은 P6의 약 3배입니다. 합금 P2, P3, P4 및 P5 역시 여러 가지 최적화된 소재로 구성되어 있습니다. P2와 비교했을 때 E24의 항복강도는 41.7%만큼 증가하였고, 파괴변형률도 54.3% 이상 증가하였다. E19 및 E17 합금은 고온 강도와 실온에서의 연성도 향상되는 것으로 나타났습니다.

요약하면, 일반적인 NbMoTaW 합금(고온 항복 강도 548 MPa, 파괴 변형률 2.6%) 및 NbMoTaWV 합금(고온 항복 강도 842 MPa, 파괴 변형률 1.7%)과 비교했을 때,새로 설계된 RHEA의 대부분은 고온 항복 강도와 실온 연성 모두에서 상당한 개선을 보였습니다.

다음으로, 최적화된 합금의 구조와 연화 저항성을 살펴보겠습니다. 연구진은 고온에서 잠재적인 엔지니어링 응용 분야에서 구조적 안정성을 탐색하기 위해 1000°C에서 압축 변형 전후의 최적화된 RHEA의 상태를 추가로 연구했습니다. 아래 그림 (a) 및 (b)에 나타난 XRD 결과에 따르면, 주조 합금 E24, E19 및 E17의 상은 무질서한 체심입방(BCC) 고용체로 구성된 반면, 합금 E21은 소량의 라베스 상이 동반된 BCC 구조를 나타냅니다. XRD 패턴은 다음을 보여줍니다.고온 변형 전후의 최적화된 RHEAS의 상 구조는 기본적으로 일치하여 최적화된 RHEAS의 구조적 안정성이 우수함을 보여줍니다.

연구진은 또한 고온 변형 하에서 합금 E21의 항복 응력을 문헌 데이터와 비교하여 연화 저항성이 크게 향상되었음을 보여주었습니다. 여러 가지 특성의 개선은 이러한 RHEA가 기존의 고온 합금을 대체할 수 있는 잠재력이 있음을 시사합니다.

간단히 말해서, 연구자들은 유망한 합금 시스템인 ZrNbMoHfTa, 특히 Zr 조성을 식별했습니다._0.13아니요_0.27모_0.26하프_0.13고마워_0.211200°C에서 940MPa에 가까운 항복 강도와 17.2%의 파괴 변형률을 보이는 양호한 실온 연성을 나타냅니다.이 조성물의 1200°C에서의 높은 항복 강도는 보고된 RHEA의 강도를 능가하며, 1200°C는 니켈 기반 초합금의 사용 온도 한계를 넘어섭니다. 이 합금의 내열성과 우수한 구조적 안정성은 극한 온도에서 구조적 용도로 사용할 수 있는 상당한 잠재력을 가지고 있음을 시사합니다.

인공지능은 재료과학에 큰 응용가치를 가지고 있습니다

재료과학은 현대 산업의 급속한 발전을 위한 핵심 학문 분야 중 하나라고 할 수 있습니다. 가능한 한 적은 실험을 통해 목표 특성을 가진 새로운 소재를 찾는 것이 소재 발견을 가속화하는 핵심입니다. 그러나 재료의 복잡한 구성, 구조, 공정으로 인해 후보 소재의 공간이 매우 넓어 새로운 소재를 효율적으로 설계하는 것이 어렵습니다. 과거에는 과학자들이 알려진 결정을 조정하거나 새로운 원소의 조합을 시도하여 새로운 결정 구조를 찾았는데, 이는 값비싸고 시간이 많이 걸리는 시행착오 과정으로, 제한된 결과를 얻는 데 종종 몇 달이 걸렸습니다.오늘날 AI는 이런 상황을 완전히 바꾸어 놓았습니다.

2023년 11월 말, 구글 딥마인드는 네이처(Nature)지에 주요 논문을 게재하며, 재료 과학을 위한 인공지능 강화 학습 모델인 Graph Networks for Materials Exploration(GNoME)을 개발했다고 주장했습니다. 또한 이 모델과 고처리량 원리 기반 계산을 통해 38만 개 이상의 열역학적으로 안정적인 결정질 물질을 찾아냈다고 설명했습니다. 이는 "인류에게 800년간의 지적 축적을 더한 것과 같은 효과"로, 새로운 물질의 발견 속도를 크게 가속화했습니다. 같은 해 12월, 마이크로소프트는 재료 과학 분야의 인공지능 생성 모델인 MatterGen을 출시했는데, 이는 필요한 재료 특성에 따라 새로운 재료 구조를 수요에 따라 예측할 수 있습니다.

GNoME에 대한 자세한 내용은 다음을 참조하세요: 인간보다 800년 앞서 있을까? DeepMind, 딥러닝을 활용해 220만 개의 새로운 수정을 예측하는 GNoME 출시

2024년 6월, 야마모토 아키야스를 포함한 영국과 일본의 과학자들은 머신 러닝 기술을 사용하여 연구자 중심 방법과 데이터 중심 방법을 결합한 연구 시스템을 설계하고, 세계에서 가장 강한 철 기반 초전도 자석을 성공적으로 생산했습니다. 최신 연구는 차세대 자기공명영상(MRI) 기술과 미래 전기 교통기술 개발을 촉진할 것으로 기대됩니다. "데이터와 연구자 주도의 공정 설계를 통한 철 기반 초전도체를 이용한 초강력 영구 자석"이라는 제목의 관련 논문이 Nature의 자회사인 NPG Asia Materials에 게재되었습니다.

요약하자면, 머신 러닝과 딥 러닝과 같은 방법을 결합함으로써 과학자들은 재료의 성능을 더 잘 예측하고, 분자의 구조와 특성을 시뮬레이션하고, 재료의 설계와 합성을 최적화하고, 재료의 미세 구조와 거시적 특성 간의 관계를 탐구하는 등의 작업을 수행할 수 있습니다. 이러한 응용 프로그램은 재료 과학 연구 수준을 향상시키는 데 도움이 될 뿐만 아니라 재료 설계 및 제조와 같은 분야에 더 많은 혁신 기회를 가져올 것입니다.

참고문헌:
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