Kombination af atomistiske simuleringer og maskinlæring for at forudsige korngrænsesegregation i magnesiumlegeringer

Magnesiumlegeringer lover som et letvægtsmateriale til at reducere vægten i biler og transportsystemer, hvilket giver potentiale til at forbedre brændstoføkonomien og reducere emissioner, men lav formbarhed og styrke forhindrer udbredt anvendelse.

Forskere ved University of Michigan har udviklet en forudsigelig model til at hjælpe med optimering af magnesiumlegeringer for at overvinde disse udfordringer.

Forståelse og manipulation af interaktioner mellem opløste elementer og korngrænser ved forskellige temperaturer er afgørende for at bestemme de optimale magnesiumlegeringssammensætninger og behandlingsruter. Da det sjældne jordarters grundstof yttrium udviser evnen til at adskille magnesiumkorngrænser, udviklede undersøgelsen modellen baseret på yttrium-effekter på magnesiumlegeringer.

Avisen udgivet i Acta Materialia beskriver en integreret metode baseret på atomistiske simuleringer og maskinlæring til nøjagtigt at forudsige ligevægtsadfærd for opløste stoffers segregering til korngrænser i polykrystallinske magnesiumlegeringer i mikroskala ved høje temperaturer, der er repræsentative for deres termomekaniske behandling.

"Denne tilgang tillader nøjagtige overvejelser af de statistiske træk ved korngrænsesteder og endelige temperatureffekter ud over den harmoniske tilnærmelse af opløste segregationsenergier," sagde Liang Qi, en lektor i materialevidenskab og ingeniørvidenskab og tilsvarende forfatter på papiret. P>

Da forskerne konstruerede den prædiktive model, integrerede forskerne den spektrale model for korngrænsesegregation, termodynamisk integration baseret på molekylær dynamik-simuleringer for nøjagtige beregninger af fri energi og fysik-informerede maskinlæringssurrogatmodeller med streng usikkerhedsanalyse.

"Vores surrogatmodel demonstrerer robusthed i at forudsige den frie segregeringsenergi for kornsteder, der afviger væsentligt fra dem, der er omfattet af vores træningsdatasæt," sagde Vaidehi Menon, en doktorgradsstuderende i materialevidenskab og ingeniørvidenskab og førsteforfatter på papiret

Medforfatterne Sambit Das, en assisterende forsker, og Vikram Gavini, en professor i maskinteknik og materialevidenskab og teknik, anvendte deres software, der var i stand til at beregne interaktioner mellem elektroner, til at udføre første-principberegninger for at verificere nøjagtigheden af ​​atomistiske simuleringer .

Selvom modellerne var baseret på yttrium, ville dette sjældne jordarters element medføre betydelige omkostninger i storskala strukturelle applikationer. Det omfattende forudsigelsesværktøj udviklet af forskerholdet kan hjælpe med at identificere mere praktiske legeringselementer.

"Vores metode kan hjælpe med at fremskynde identifikation af omkostningseffektive legeringselementer for at forbedre magnesiumlegeringer og andre metalliske legeringssystemer," sagde Qi.

Flere oplysninger: Vaidehi Menon et al., Atomistiske simuleringer og maskinlæring af opløst korngrænsesegregation i Mg-legeringer ved endelige temperaturer, Acta Materialia (2023). DOI:10.1016/j.actamat.2023.119515

Journaloplysninger: Acta Materialia

Leveret af University of Michigan College of Engineering