یادگیری ماشینی تشخیص آلیاژهای با دمای بالا را تسریع می کند

در مطالعه ای که اخیراً در مهندسیدانشمندان دانشگاه علم و صنعت پکن، دانشگاه اقیانوس گوانگدونگ و AiMaterials Research LLC روش جدیدی را برای تسریع در کشف ترکیبات آلیاژ نسوز با آنتروپی بالا (RHEA) بهینه‌سازی شده برای شرایط شدید نشان دادند.

این مطالعه با عنوان «طراحی ترکیبی به کمک یادگیری ماشین آلیاژهای نسوز با آنتروپی بالا با استحکام و شکل‌پذیری بهینه»، چگونگی استفاده از یادگیری ماشین (ML)، جستجوی ژنتیکی، تجزیه و تحلیل خوشه‌ای و طراحی آزمایشی را برای غربال کردن میلیاردها ترکیب ممکن نشان می‌دهد. و آنهایی را که دارای خواص مکانیکی برتر هستند شناسایی کنید.

تیم تحقیقاتی به رهبری توراب لوکمن و یانجینگ سو، 24 ترکیب آلیاژی مختلف را از طریق یک فرآیند تکراری دقیق شامل شش حلقه بازخورد سنتز و آزمایش کردند. تلاش‌های آن‌ها منجر به چهار ترکیب شد که استحکام تسلیم قابل‌توجهی در دمای بالا و شکل‌پذیری دمای اتاق را نشان می‌دهد. در میان آنها، سیستم آلیاژی ZrNbMoHfTa، به ویژه ترکیب Zr_0.13خیر_0.27ماه_0.26هف_0.13بنابراین_0.21با قدرت تسلیم نزدیک به 940 مگاپاسکال در 1200 درجه سانتیگراد و کرنش شکستگی در دمای اتاق 17.2٪ برجسته است.

جهشی به جلو در مواد با دمای بالا

عملکرد استثنایی آلیاژ ZrNbMoHfTa نشان دهنده پیشرفت قابل توجهی در علم مواد است. قدرت تسلیم آن در 1200 درجه سانتیگراد از RHEAهای قبلی و سوپرآلیاژهای سنتی مبتنی بر نیکل که معمولاً به دماهای پایین تر محدود می شوند، بیشتر است. این بهبود فرصت‌های جدیدی را برای کاربردهای ساختاری با دمای بالا، از جمله در توربین‌های گاز، سیستم‌های رانش هوافضا و راکتورهای هسته‌ای باز می‌کند.

ادغام یادگیری ماشین با روش‌های طراحی آلیاژ سنتی به محققان این امکان را می‌دهد تا به سرعت ترکیباتی را که قبلا غیرقابل تصور بودند شناسایی و بهینه کنند. این پیشرفت نه تنها محدودیت های مواد موجود را برطرف می کند، بلکه استاندارد جدیدی را برای آلیاژهای با دمای بالا ایجاد می کند.

پارادایم جدید برای طراحی متریال

رویکرد محققین نشان دهنده یک تغییر پارادایم در طراحی مواد با مدیریت کارآمد فضای ترکیبی وسیع RHEA و پرداختن به اهداف عملکردی متعدد به طور همزمان است. با استفاده از الگوریتم‌های ML، این تیم توانست خواص آلیاژ را با دقت و کارایی بی‌سابقه‌ای پیش‌بینی کند و بر چالش‌های رایج مانند داده‌های محدود و وظایف بهینه‌سازی پیچیده غلبه کند.

این مطالعه همچنین بر اهمیت ترکیب تکنیک‌های بهینه‌سازی چند هدفه (MOO) برای متعادل کردن خواص مختلف مواد، از جمله استحکام، شکل‌پذیری و مقاومت در برابر اکسیداسیون تاکید می‌کند. سازگاری چارچوب پیشنهادی با سایر سیستم‌های آلیاژی، پتانسیل آن را برای متحول کردن طراحی مواد در کاربردها و صنایع مختلف نشان می‌دهد.

اگرچه مطالعه حاضر به نتایج قابل توجهی دست یافت، اما محققان تاکید می کنند که هنوز جای بهبود و مطالعه بیشتر وجود دارد. کار آینده بر روی ادغام عناصر اضافی برای بهبود خواصی مانند مقاومت در برابر اکسیداسیون و پالایش مدل‌های ML برای مدیریت عدم قطعیت‌ها و بهبود دقت پیش‌بینی تمرکز خواهد کرد. این مطالعه همچنین نیاز به استراتژی‌های انتخاب کارآمد، مانند تجزیه و تحلیل خوشه‌ای، برای بهینه‌سازی هزینه‌های تجربی و محاسباتی را برجسته می‌کند.

نان ژانگ، ویراستار این مقاله خاطرنشان کرد: موفقیت این تحقیق راه های جدیدی را برای نوآوری مواد باز می کند. مهندسی. همانطور که محققان به اصلاح رویکرد خود و کشف ترکیبات جدید ادامه می دهند، ما پیشرفت های بزرگتری را در آلیاژهای با دمای بالا پیش بینی می کنیم که می تواند طیف گسترده ای از کاربردهای مهندسی را متحول کند.

نویسندگان مقاله چنگ ون، یانگ ژانگ، چانگشین وانگ، هاییو هوانگ، یوان وو، توراب لوکمان، یانجینگ سو هستند.