Opdagelse af materialer til gasturbinemotorer gennem effektive forudsigende rammer

Gasturbiner er meget udbredt til elproduktion og fremdrift af fly. Ifølge termodynamikkens love, jo højere en motors temperatur er, desto højere effektivitet. På grund af disse love er der en voksende interesse for at øge turbinernes driftstemperatur.

Et team af forskere fra Department of Materials Science and Engineering ved Texas A&M University har i samarbejde med forskere fra Ames National Laboratory udviklet en kunstig intelligens-ramme, der er i stand til at forudsige højentropi-legeringer (HEA), der kan modstå ekstremt høje temperaturer, oxiderende miljøer . Denne metode kan reducere tiden og omkostningerne ved at finde legeringer betydeligt ved at reducere antallet af nødvendige eksperimentelle analyser.

Denne forskning blev for nylig offentliggjort i Material Horizons .

Under langvarige høje temperaturforhold kan turbinevinger resultere i katastrofalt svigt fra smeltning eller oxidering. Desværre har de nuværende turbinevingematerialer allerede nået deres driftsgrænse.

Tekniske fremskridt såsom belægninger og kølekanaler har forsinket behovet for at ændre de materialer, der bruges til turbiner. Imidlertid forventes flyrejser at fordoble i volumen i løbet af det næste årti, og gasturbiner bliver en stadig mere dominerende teknologi til elproduktion. Derfor kræver turbiner højere effektivitet for at reducere brændstofforbruget og begrænse kuldioxidemissioner.

"Gasturbiner fungerer ved at omdanne kemisk energi til mekanisk bevægelse, men er begrænset af deres temperaturtærskel," sagde Dr. Raymundo Arroyave, professor ved Institut for Materialevidenskab og Engineering. "Det næste trin i at revolutionere turbineteknologien er at ændre det materiale, der bruges til at fremstille komponenter, såsom vingerne, så de kan fungere ved højere temperaturer uden at oxidere katastrofalt."

Når man ser på forskellige typer legeringer til turbiner, er der betydelig opmærksomhed omkring HEA'er. HEA'er er koncentrerede legeringer, der ikke har et klart flertalselement. Et unikt kendetegn ved HEA'er er, at disse legeringer bliver mere stabile ved højere temperaturer, hvilket giver mulighed for brug i ekstreme miljøer.

På trods af deres evne til at modstå høje temperaturer, er HEA'er modtagelige for rust (oxiderende). HEA'er kan have mange sammensætninger, hvilket eksponentielt udvider de typer oxider, der kan dannes. At finde en sammensætning, der kunne modstå oxidation, ville kræve omfattende eksperimenter til meget høje omkostninger.

For at omgå ulemperne og omkostningerne ved HEA-opdagelse udviklede forskerne en kunstig intelligens-ramme, der er i stand til at forudsige HEA'ers oxidationsadfærd. Denne ramme, der kombinerer beregningsmæssig termodynamik, maskinlæring og kvantemekanik, kan kvantitativt forudsige oxidationen af ​​HEA'er af vilkårlige kemiske sammensætninger. Den tid, der er nødvendig for beregningsmæssig screening af legeringerne, reduceres drastisk, fra år til blot minutter. Meget hurtig og effektiv screening resulterer til gengæld i et reduceret behov for ressourcekrævende eksperimentelle forsøg.

"Når de søger i et stort kompositorisk rum, ville eksperimentalister skulle tage hundredvis af variationer af et meget komplekst materiale, oxidere dem og derefter karakterisere deres præstationer, hvilket kunne tage uger, måneder eller endda år," sagde Daniel Sauceda, en kandidatstuderende i materialevidenskab og ingeniørafdeling. "Vores forskning forkortede processen markant ved at lave en køreplan for oxidation af HEA'er, der viser forskerne, hvad du kan forvente af forskellige sammensætninger."

Ved hjælp af rammen forudsagde forskerne oxidationsadfærden af ​​flere legeringssammensætninger. De sendte derefter forudsigelserne til Ames National Laboratorys videnskabsmand Gaoyuan Ouyang og hans team for at teste deres resultater og verificere, at rammen nøjagtigt viser, om en legering ville eller ikke ville modstå oxidation.

"Rammens evne til præcist at lokalisere skadelige faser vil muliggøre design af forbedrede oxidationsbestandige materialer," sagde Ames National Laboratory-forsker Prashant Singh, som var med til at lede udviklingen af ​​rammeværket. "Den tilgang, der præsenteres i denne undersøgelse, er generel og anvendelig til at forstå oxidationsadfærd af HEA'er samt give indsigt i oxidations- og korrosionsbestandige materialer til andre applikationer."

De værktøjer, der er udviklet i denne undersøgelse, kan potentielt ændre den proces, hvorved forskere opdager materialer til ekstreme miljøer ved at bruge kunstig intelligens-værktøjer til hurtigt at sifon gennem astronomiske antal legeringer på meget kort tid.

"Dette værktøj vil hjælpe med at frasortere legeringer, der ikke vil fungere til vores applikationsbehov, samtidig med at vi kan bruge mere tid og skabe en mere detaljeret analyse af legeringer, der er værd at undersøge," sagde Arroyave. "Selvom vores forudsigelser ikke er 100 % nøjagtige, giver de stadig tilstrækkelig information til at træffe informerede beslutninger om, hvilke materialer der er værd at undersøge med en hastighed, der ville have været utænkelig, før denne ramme blev udviklet."

De HEA'er, der findes gennem denne ramme, har potentielle anvendelser, såsom gasturbiner til fremdrift og kraftproduktion, varmevekslere og mange andre, der kræver materialer til at modstå ekstreme driftsforhold.

"Ved at muliggøre opdagelsen af ​​materialer, der er i stand til at modstå ekstreme miljøer, bidrager dette arbejde direkte til Department of Energy's mål om at opnå netto-nul kulstofemissioner inden 2050," sagde Singh. + Udforsk yderligere

AI fremskynder udviklingen af ​​nye højentropi-legeringer