En allieret til legeringer:AI hjælper med at designe højtydende stål

Maskinlæringsteknikker har bidraget til fremskridt inden for videnskabs- og teknologiområder lige fra sundhedspleje til højenergifysik. Nu, maskinlæring er klar til at hjælpe med at accelerere udviklingen af ​​stærkere legeringer, især rustfrit stål, for Amerikas varmeproduktionsflåde. Stærkere materialer er nøglen til at producere energi effektivt, hvilket resulterer i økonomiske fordele og dekarbonisering.

"Anvendelsen af ​​ultrahøjstyrkestål i kraftværker går tilbage til 1950'erne og har nydt godt af gradvise forbedringer af materialerne over tid, "siger Osman Mamun, en postdoktoral forskningsassistent ved Pacific Northwest National Laboratory (PNNL). "Hvis vi kan finde måder at fremskynde forbedringer eller skabe nye materialer, vi kunne se øget effektivitet i anlæg, der også reducerer mængden af ​​kulstof, der udsendes til atmosfæren. "

Mamun er hovedforfatter på to nylige, relaterede tidsskriftsartikler, der afslører nye strategier for maskinlærings anvendelse i design af avancerede legeringer. Artiklerne omhandler forskningsresultaterne af en fælles indsats mellem PNNL og National Energy Technology Laboratory (NETL). Ud over Mamun, forskergruppen omfattede PNNLs Arun Sathanur og Ram Devanathan og NETLs Madison Wenzlick og Jeff Hawk.

Arbejdet blev finansieret under US Department of Energy's (DOE's) Office of Fossil Energy via "XMAT" - eXtreme miljø MATerials - konsortiet, som omfatter forskningsbidrag fra syv nationale DOE -laboratorier. Konsortiet søger at fremskynde udviklingen af ​​forbedrede varmebestandige legeringer til forskellige kraftværkskomponenter og forudsige legeringernes langsigtede ydeevne. Den indvendige historie om kraftværker

Et termisk kraftværks indre miljø er utilgiveligt. Driftstemperaturer på mere end 650 grader Celsius og belastninger over 50 megapascal sætter en fabriks stålkomponenter på prøve.

"Men også, den høje temperatur og tryk, sammen med pålidelige komponenter, er afgørende for at opnå bedre termodynamisk effektivitet, der fører til reducerede CO2-emissioner og øget omkostningseffektivitet, "Forklarer Mamun.

PNNL – NETL -samarbejdet fokuserede på to materialetyper. Austenitisk rustfrit stål bruges meget i planter, fordi det tilbyder styrke og fremragende korrosionsbestandighed, men dens levetid ved høje temperaturer er begrænset. Ferritisk-martensitisk stål, der indeholder chrom i området 9 til 12 procent, giver også styrkefordele, men kan være tilbøjelig til oxidation og korrosion. Fabriksoperatører ønsker materialer, der modstår brud og holder i årtier.

Over tid, "forsøg og fejl" eksperimentelle metoder har gradvist forbedret stål, men er ineffektive, tidskrævende, og dyrt. Det er afgørende at fremskynde udviklingen af ​​nye materialer med overlegne egenskaber. Modeller til forudsigelse af brudstyrke og liv

Nylige fremskridt inden for beregningsmodellering og maskinlæring, Mamun siger, er blevet vigtige nye værktøjer i jagten på hurtigere at opnå bedre materialer.

Maskinelæring, en form for kunstig intelligens, anvender en algoritme til datasæt for at udvikle hurtigere løsninger på videnskabelige problemer. Denne kapacitet gør en stor forskel i forskning verden over, i nogle tilfælde barberer en betydelig tid væk fra videnskabelig opdagelse og teknologiudvikling.

PNNL - NETL -forskerholdets anvendelse af maskinlæring blev beskrevet i deres første tidsskriftartikel, "En maskinlæringsstøttet fortolkningsmodel for brudstyrkeforudsigelse i Fe-baserede martensitiske og austenitiske legeringer, "udgivet 9. marts i Videnskabelige rapporter .

Papiret fortæller teamets indsats for at forbedre og analysere datasæt i rustfrit stål, bidraget af NETL -teammedlemmer, med tre forskellige algoritmer. Det endelige mål var at konstruere en præcis forudsigelsesmodel for brudstyrken af ​​de to typer legeringer. Teamet konkluderede, at en algoritme kendt som Gradient Boosted Decision Tree bedst opfyldte behovene for at bygge maskinlæringsmodeller til præcis forudsigelse af brudstyrke.

Yderligere, forskerne fastholder, at integrering af de resulterende modeller i eksisterende legeringsdesignstrategier kunne fremskynde identifikationen af ​​lovende rustfrit stål, der besidder overlegne egenskaber til at håndtere stress og belastning.

"Dette forskningsprojekt tog ikke kun et skridt i retning af bedre tilgange til at udvide driftsrammen af ​​stål i kraftværker, men også demonstreret maskinlæringsmodeller baseret på fysik for at muliggøre fortolkning af domæneforskere, "siger forskerholdsmedlem Ram Devanathan, en PNNL -computermaterialeforsker. Devanathan leder XMAT -konsortiets datavidenskab og arbejder i organisationens styregruppe.

Projektholdets anden artikel, "Machine Learning forstærket forudsigende og generativ model for brud på ferritiske og austenitiske stål, "blev offentliggjort i npj Materialer Nedbrydning 's 16. april udgave.

Teamet konkluderede i avisen, at en maskinlæringsbaseret forudsigelsesmodel pålideligt kan estimere brudlevetiden for de to legeringer. Forskerne beskrev også en metode til at generere syntetiske legeringer, der kunne bruges til at udvide eksisterende sparsomme datasæt i rustfrit stål, og identificerede begrænsningerne ved en sådan tilgang. Ved hjælp af disse "hypotetiske legeringer" i maskinlæringsmodeller er det muligt at vurdere ydeevnen af ​​kandidatmaterialer uden først at syntetisere dem i et laboratorium.

"Resultaterne bygger på det tidligere papirs konklusioner og repræsenterer endnu et skridt i retning af at etablere fortolkbare modeller af legeringsydelse i ekstreme miljøer, samtidig med at den giver indsigt i udvikling af datasæt, "Devanathan siger." Begge artikler demonstrerer XMATs tankegang i dette hurtigt voksende område. "