Hård som keramik, hårdt som stål:Nyopdaget forbindelse kan hjælpe med at designe nextgen-legeringer

En ny måde at beregne samspillet mellem et metal og dets legeringsmateriale kunne fremskynde jagten på et nyt materiale, der kombinerer hårdheden af ​​keramik med metals spændstighed.

Opdagelsen, lavet af ingeniører ved University of Michigan, identificerer to aspekter af denne interaktion, der nøjagtigt kan forudsige, hvordan en bestemt legering vil opføre sig - og med færre krævende, fra bunden kvantemekaniske beregninger.

"Vores resultater kan muliggøre brugen af ​​maskinlæringsalgoritmer til legeringsdesign, potentielt accelerere søgningen efter bedre legeringer, der kan bruges i turbinemotorer og atomreaktorer, " sagde Liang Qi, assisterende professor i materialevidenskab og teknik, der ledede forskningen.

Nutidens jetmotorer og atomreaktorer kan ikke blive for varme, ellers ville metallet i motorens turbine eller reaktorens indre komponenter blive blødt. Imidlertid, jetmotorer kunne fungere mere effektivt, og atomreaktorer kunne være sikrere, hvis de kunne holde højere temperaturer, sagde Qi. Der søges efter et materiale, der er meget hårdt selv ved høje temperaturer, men som også er modstandsdygtigt over for revner.

Materialeforskere nærmer sig dette problem gennem legeringer - blanding af et metal med et eller flere andre elementer. Et metal består hovedsageligt af et krystalgitter, med atomerne pakket sammen på en ordnet måde. Imidlertid, det er defekterne - eller de steder, hvor gitteret er forstyrret - der har størst indflydelse på, hvordan et materiale vil opføre sig, sagde Qi.

"Defekters egenskaber bestemmer mekaniske, termiske og bestrålingsegenskaber af metaller, fordi atomer ved defekter normalt har færre begrænsninger at bevæge sig rundt i sammenlignet med dem i perfekte positioner, " han sagde.

Nogle defekter er svaghedspunkter, såsom brud på gitteret, der dækker store områder - kendt som korngrænser. Men små defekter, såsom dislokationer af flere rækker af atomer, kan forbedre et metals ydeevne ved at gøre det muligt for det at bøje, for eksempel.

Legeringselementer kombineres med defekter for at skabe et netværk af forstyrrelser i værtsmetallets gitter, men det er svært at forudsige, hvordan det netværk vil påvirke metallets ydeevne.

Holdet begrænsede deres undersøgelse til metaller med kun et legeringselement ved defekter - stadig et betydeligt designrum med hundredvis af materialekombinationer og millioner af defekte strukturer.

Elektroner er ansvarlige for at forbinde atomerne i gitteret sammen, så holdet ledte efter en forbindelse mellem den måde, elektroner er struktureret på i et almindeligt gitteratom og et atom ved en defekt - og hvordan dette ændrer den måde, som gitteret interagerer med et legeringselement. En høj interaktionsenergi mellem metallet og legeringselementet ved defekten gør normalt metallet mindre fleksibelt, for eksempel, mens en lavere energi betyder, at de ikke er så tæt sammen.

Holdet identificerede to tiltag, som de kalder "beskrivelser, ", der repræsenterer, hvordan strukturen af ​​elektronerne ændrer sig ved defekten i det rene metal. Ved hjælp af disse, de kunne finde ud af, hvordan et legeringselement ville interagere med defekten.

"Vi var forbløffede over at finde ud af, at forudsigelseskraften holdt for forskellige typer defekter og steder, givet et bestemt metalkrystal og legeringselement, " sagde Yong-Jie Hu, en postdoc-forsker i materialevidenskab og teknik og førsteforfatter på papiret i Naturkommunikation .

Holdet fandt ud af, at de kunne forudsige, hvordan atomer af legeringselementet koncentrerede sig om forskellige slags defekter - inklusive komplekse typer såsom højvinklede korngrænser, hvor gitteret er væsentligt skævt.

Identifikationen af ​​disse deskriptorer er et væsentligt skridt hen imod at kunne udnytte maskinlæring effektivt til legeringsdesign, ved hjælp af algoritmer til at trawle gennem resultaterne af meget nøjagtige, men beregningsmæssigt intensive kvantemekaniske simuleringer.

Imidlertid, forskerne bemærker, at flere deskriptorer skal opdages for forudsigelser af, hvordan mere komplekse legeringer vil opføre sig, for eksempel dem med to eller flere legeringselementer ved defekter. Og selvom disse deskriptorer kan indgå i maskinlæring, mennesker vil sandsynligvis identificere dem.

"Opdagelsen blev gjort gennem 'menneskelig læring' fra klassiske elektroniske modeller, " sagde Qi. "Det indikerer, at i en tid med big data og kunstig intelligens, menneskelig intelligens leverer stadig pålidelige ressourcer til videnskabelige opdagelser."

En artikel om denne forskning er offentliggjort i tidsskriftet Naturkommunikation , med titlen, "Lokale elektroniske deskriptorer for interaktioner med opløst stof-defekt i bcc-ildfaste metaller."