Das ML-basierte Framework für das RHEA MOO-Design. Bildnachweis: Cheng Wen et al.
In einer kürzlich veröffentlichten Studie in MaschinenbauWissenschaftler der Beijing University of Science and Technology, der Guangdong Oceanic University und AiMaterials Research LLC haben eine neue Methode demonstriert, um die Entdeckung feuerfester hochentropischer Legierungszusammensetzungen (RHEA) zu beschleunigen, die für extreme Bedingungen optimiert sind.
Die Studie mit dem Titel „Machine Learning-Assisted Compositional Design of High Entropy Refractory Alloys with Optimal Strength and Ductility“ beschreibt, wie maschinelles Lernen (ML), genetische Forschung, Clusteranalyse und experimentelles Design eingesetzt wurden, um Milliarden möglicher Zusammensetzungen zu sichten und identifizieren Sie diejenigen mit überlegenen mechanischen Eigenschaften.
Das Forschungsteam unter der Leitung von Turab Lookman und Yanjing Su synthetisierte und testete 24 verschiedene Legierungszusammensetzungen durch einen strengen iterativen Prozess mit sechs Rückkopplungsschleifen. Ihre Bemühungen führten zu vier Zusammensetzungen, die eine bemerkenswerte Streckgrenze bei hoher Temperatur und Duktilität bei Raumtemperatur zeigten. Darunter das Legierungssystem ZrNbMoHfTa, genauer gesagt die Zr-Zusammensetzung0,13NEIN.0,27MB0,26Hf0,13Dein0,21zeichnet sich durch eine Streckgrenze von nahezu 940 MPa bei 1200 °C und eine Bruchdehnung bei Raumtemperatur von 17,2 % aus.
Ein Fortschritt bei Hochtemperaturmaterialien
Die außergewöhnliche Leistung der ZrNbMoHfTa-Legierung stellt einen bedeutenden Fortschritt in der Materialwissenschaft dar. Seine Streckgrenze bei 1.200 °C übertrifft die früherer RHEA- und herkömmlicher Superlegierungen auf Nickelbasis, die typischerweise auf niedrigere Temperaturen beschränkt sind. Diese Verbesserung eröffnet neue Möglichkeiten für Hochtemperatur-Strukturanwendungen, unter anderem in Gasturbinen, Antriebssystemen für die Luft- und Raumfahrt und Kernreaktoren.
Durch die Integration von maschinellem Lernen mit traditionellen Methoden des Legierungsdesigns konnten Forscher schnell bisher unvorstellbare Zusammensetzungen identifizieren und optimieren. Dieser Durchbruch beseitigt nicht nur die Einschränkungen bestehender Materialien, sondern setzt auch einen neuen Standard für Hochtemperaturlegierungen.
Ein neues Paradigma für das Hardware-Design
Der Ansatz der Forscher stellt einen Paradigmenwechsel im Hardware-Design dar, indem er den riesigen Kompositionsraum von RHEAs effizient verwaltet und gleichzeitig mehrere Leistungsziele anspricht. Durch den Einsatz von ML-Algorithmen war das Team in der Lage, Legierungseigenschaften mit beispielloser Genauigkeit und Effizienz vorherzusagen und so häufige Herausforderungen wie begrenzte Daten und komplexe Optimierungsaufgaben zu meistern.
Die Studie unterstreicht auch die Bedeutung der Einbeziehung von Multi-Objective-Optimierungstechniken (MOO), um verschiedene Materialeigenschaften, einschließlich Festigkeit, Duktilität und Oxidationsbeständigkeit, auszugleichen. Die Anpassungsfähigkeit des vorgeschlagenen Rahmenwerks an andere Legierungssysteme zeigt sein Potenzial, das Materialdesign in verschiedenen Anwendungen und Branchen zu revolutionieren.
Obwohl die aktuelle Studie bemerkenswerte Ergebnisse erzielte, betonen die Forscher, dass es noch Raum für Verbesserungen und weitere Untersuchungen gibt. Zukünftige Arbeiten werden sich auf die Einbeziehung zusätzlicher Elemente zur Verbesserung von Eigenschaften wie Oxidationsbeständigkeit und die Verfeinerung von ML-Modellen konzentrieren, um Unsicherheiten zu bewältigen und die Vorhersagegenauigkeit zu verbessern. Die Studie unterstreicht auch die Notwendigkeit effizienter Auswahlstrategien wie der Clusteranalyse, um die experimentellen und rechnerischen Kosten zu optimieren.
„Der Erfolg dieser Forschung eröffnet neue Wege für Materialinnovationen“, bemerkte Nan Zhang, Chefredakteurin von Maschinenbau. „Während Forscher ihren Ansatz weiter verfeinern und neue Zusammensetzungen erforschen, erwarten wir noch größere Fortschritte bei Hochtemperaturlegierungen, die ein breites Spektrum technischer Anwendungen verändern könnten.“
Der Artikel wurde von Cheng Wen, Yan Zhang, Changxin Wang, Haiyou Huang, Yuan Wu, Turab Lookman und Yanjing Su verfasst.
Weitere Informationen:
Cheng Wen et al., Durch maschinelles Lernen unterstütztes Zusammensetzungsdesign hochentropischer feuerfester Legierungen mit optimaler Festigkeit und Duktilität, Maschinenbau (2024). DOI: 10.1016/j.eng.2023.11.026
Zitat: Maschinelles Lernen beschleunigt die Entdeckung von Hochtemperaturlegierungen (27. September 2024), abgerufen am 27. September 2024 von https://phys.org/news/2024-09-machine-discovery-high-temperature-alloys.html
Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient ausschließlich Informationszwecken.