{首页主词},&

橡樹嶺國(guó)家實(shí)驗(yàn)室《Nature》子刊：新方法！可預(yù)測(cè)復(fù)雜高溫合金性能

2022-05-07 15:25:44 作者：材易通來源：材易通分享至：

高溫合金設(shè)計(jì)需要同時(shí)考慮多種不同尺度的機(jī)制。本文提出了一個(gè)新方法將高度相關(guān)的物理學(xué)與機(jī)器學(xué)習(xí)（ML）相結(jié)合，以9~12 wt％Cr鋼的屈服強(qiáng)度為例來預(yù)測(cè)復(fù)雜的高溫合金性能。將合成合金特征納入數(shù)據(jù)集，捕獲微觀結(jié)構(gòu)和相變。通過相關(guān)分析發(fā)現(xiàn)了影響9Cr屈服強(qiáng)度的高沖擊特征，與公認(rèn)的強(qiáng)化機(jī)理一致。作為驗(yàn)證過程的一部分，針對(duì)溫度對(duì)子數(shù)據(jù)集的一致性進(jìn)行了廣泛的評(píng)估，然后針對(duì)經(jīng)過訓(xùn)練的ML模型的邊界條件進(jìn)行了完善。使用ML模型預(yù)測(cè)的9Cr鋼的屈服強(qiáng)度與實(shí)驗(yàn)非常吻合。當(dāng)前的方法在詢問ML模型時(shí)引入了物理上有意義的約束條件，可準(zhǔn)確預(yù)測(cè)應(yīng)用于數(shù)據(jù)驅(qū)動(dòng)材料的假設(shè)合金的性能。

由數(shù)據(jù)分析輔助的材料設(shè)計(jì)是材料科學(xué)和工程的一個(gè)新興領(lǐng)域，相對(duì)于僅基于實(shí)驗(yàn)研究或基于物理模擬的傳統(tǒng)材料開發(fā)方法，它可以降低成本、風(fēng)險(xiǎn)和時(shí)間。由于它們的復(fù)雜性（例如，化學(xué)，熔融過程，熱機(jī)械過程，熱處理以及由此產(chǎn)生的微觀結(jié)構(gòu)），通過機(jī)器學(xué)習(xí)（ML）進(jìn)行高溫合金的合理設(shè)計(jì)需要一個(gè)涵蓋以下各個(gè)方面的綜合數(shù)據(jù)：多組分，多相，多物理場(chǎng)，多尺度和多重強(qiáng)化機(jī)制，以及加工條件對(duì)最終產(chǎn)品性能的重大影響。

以往大多數(shù)用ML來預(yù)測(cè)高溫合金性能的研究都是以合金成分和簡(jiǎn)單的加工條件為特征。雖然這些方法可以利用幾十年來積累的實(shí)驗(yàn)數(shù)據(jù)，但由于缺乏物理約束，在輸入數(shù)據(jù)的范圍之外對(duì)這些模型進(jìn)行外推（甚至內(nèi)插）是有風(fēng)險(xiǎn)的。有人嘗試將原子級(jí)特征，例如原子半徑/體積、電負(fù)性、內(nèi)聚能和局部電負(fù)性錯(cuò)配，用于預(yù)測(cè)高溫合金性能，在較大長(zhǎng)度尺度（即微尺度和中尺度）發(fā)生的現(xiàn)象/機(jī)制相關(guān)的特征可能對(duì)合金產(chǎn)生更大的影響。

對(duì)于高溫合金設(shè)計(jì)，物理信息，如微觀組織是表征過程-結(jié)構(gòu)-性能相關(guān)性的關(guān)鍵。但是，對(duì)于許多材料系統(tǒng)（尤其是高溫合金），CALPHAD與微觀結(jié)構(gòu)相關(guān)的合成特征通常是不夠的，因?yàn)槲⒂^結(jié)構(gòu)會(huì)隨時(shí)間變化，并且強(qiáng)化機(jī)制會(huì)隨著施加的應(yīng)力和溫度而變化。以9-12wt％Cr馬氏體-鐵素體鋼（以下稱為9Cr鋼）為例。這類合金由回火的馬氏體微觀結(jié)構(gòu)組成，其中溫度對(duì)于強(qiáng)化機(jī)制起著關(guān)鍵作用。精細(xì)的奧氏體晶粒/小塊/板條結(jié)構(gòu)和位錯(cuò)密度顯著控制了室溫強(qiáng)度。隨著溫度升高，最高到600–650°C，第二相沉淀，即M23C6（M = Fe，Cr和Mn），MX（M：主要是V，X：C和N），甚至在晶粒內(nèi)部或沿著這些子邊界的Laves相，對(duì)強(qiáng)化起重要作用。高于700°C，微觀結(jié)構(gòu)的不穩(wěn)定性，例如快速的沉淀粗化，恢復(fù)和/或重結(jié)晶，會(huì)導(dǎo)致機(jī)械強(qiáng)度的顯著降低。除了微觀結(jié)構(gòu)信息外，還應(yīng)考慮相關(guān)特征，例如相變溫度。這些相變溫度是直接與馬氏體組織演變相關(guān)，影響它們的初始機(jī)械性能以及長(zhǎng)期的微觀結(jié)構(gòu)穩(wěn)定性。

基于此，美國(guó)橡樹嶺國(guó)家實(shí)驗(yàn)室Dongwon Shin教授團(tuán)隊(duì)創(chuàng)新性的將高度相關(guān)的物理學(xué)耦合到ML模型中以預(yù)測(cè)多相和多組分高溫合金性能。相關(guān)研究結(jié)果以題為“Coupling physics in machine learning to predict properties of high-temperatures alloys Corrosion resistance enhancement of CoCrFeMnNi high-entropy alloy fabricated by additive manufacturing”發(fā)表在Nature子刊npj Computational Materials上。

論文鏈接：

https://www.nature.com/articles/s41524-020-00407-2

圖1說明了本研究中使用的9Cr鋼屈服強(qiáng)度數(shù)據(jù)集的結(jié)構(gòu)。數(shù)據(jù)集中的這些特征與9Cr屈服強(qiáng)度之間的相關(guān)性被定量確定，并與普遍接受的機(jī)制進(jìn)行比較。評(píng)估了有代表性的ML模型的性能，此外，還進(jìn)行了額外的工作，以評(píng)估ML模型在預(yù)測(cè)9Cr鋼的PAGS時(shí)的性能。

圖1 9Cr數(shù)據(jù)集中的特征 9Cr數(shù)據(jù)分析中考慮的合金特征。 1/2組是原始實(shí)驗(yàn)數(shù)據(jù)，3/4組是計(jì)算的合成合金特征。該數(shù)據(jù)集涵蓋了從室溫到800°C的數(shù)據(jù)，溫度旁邊的括號(hào)中的值表示每個(gè)溫度下的數(shù)據(jù)點(diǎn)數(shù)

圖2.基于相關(guān)性分析的機(jī)器學(xué)習(xí)準(zhǔn)確性。以原始實(shí)驗(yàn)數(shù)據(jù)（成分，處理和測(cè)試條件以及PAGS）為函數(shù)的五個(gè)訓(xùn)練過的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機(jī)森林；SVM支持向量機(jī)）的準(zhǔn)確性整個(gè)9Cr數(shù)據(jù)集中排名最高的要素的數(shù)量。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。每個(gè)模型接受十次訓(xùn)練以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差。

圖3.不同溫度下子集數(shù)據(jù)的相關(guān)性分析。所有特征（組成，加工和測(cè)試條件，微觀結(jié)構(gòu)和相變溫度，請(qǐng)參見表1）與選定代表溫度下的屈服強(qiáng)度之間的相關(guān)性分析結(jié)果。給出了200°C（低溫），550°C和650°C（中至高溫）以及750°C（高于使用溫度）的45個(gè)特征中前10個(gè)和后10個(gè)特征的相關(guān)系數(shù)。

圖4.各個(gè)溫度子數(shù)據(jù)集的ML性能。根據(jù)MIC和b PCC分析得出的經(jīng)過訓(xùn)練的ML模型（以隨機(jī)森林為例）的精度與溫度和頂級(jí)特征數(shù)的關(guān)系。對(duì)模型進(jìn)行了十次訓(xùn)練，以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差（誤差線）。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。垂直虛線指示從哪里開始出現(xiàn)數(shù)據(jù)不足和相關(guān)功能的問題。

圖5.截?cái)啵?le;650°C）數(shù)據(jù)集中所有合金特征與屈服強(qiáng)度之間的相關(guān)性分析。 a來自MIC的排名前20位的特征和| PCC |來自的相應(yīng)特征，以及b來自PCC分析的前10名和后10名特征。

圖6. ML性能與排名最高的功能數(shù)量的關(guān)系。五個(gè)經(jīng)過訓(xùn)練的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機(jī)森林；SVM支持向量機(jī)回歸）在預(yù)測(cè)屈服強(qiáng)度方面的準(zhǔn)確性。這些模型接受了高通量計(jì)算中合成的合成特征的訓(xùn)練，這些特征是截?cái)嗟臄?shù)據(jù)集（≤650°C）中排名最高的特征的數(shù)量的函數(shù)。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。每個(gè)模型經(jīng)過十次訓(xùn)練，以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差（誤差線）。

圖7.具有MIC和PCC分析的前10個(gè)特征的具有隨機(jī)森林（RF）的9Cr鋼的實(shí)驗(yàn)屈服強(qiáng)度與預(yù)測(cè)屈服強(qiáng)度。 MAE代表平均絕對(duì)誤差（MAE）。

圖8.實(shí)驗(yàn)和預(yù)測(cè)的具有隨機(jī)森林（RF）的9Cr鋼的PAGS，具有MIC和PCC分析的前10個(gè)特征。 MAE代表平均絕對(duì)誤差（MAE）。

綜述所述，這項(xiàng)研究表明，可以使用具有高度相關(guān)性和物理意義的特征來訓(xùn)練高保真替代模型。當(dāng)在數(shù)據(jù)驅(qū)動(dòng)的材料設(shè)計(jì)中詢問訓(xùn)練有素的ML模型時(shí)，這種物理約束有效地防止了假想的候選合金的性能預(yù)測(cè)，通過整合超出本研究可實(shí)現(xiàn)的其他合金物理/化學(xué)特征，可以進(jìn)一步擴(kuò)展當(dāng)前工作中演示的方法。

免責(zé)聲明：本網(wǎng)站所轉(zhuǎn)載的文字、圖片與視頻資料版權(quán)歸原創(chuàng)作者所有，如果涉及侵權(quán)，請(qǐng)第一時(shí)間聯(lián)系本網(wǎng)刪除。