Forskere bruger kunstig intelligens til at øge højtemperaturstyrken af ​​nikkel-aluminiumlegeringer

Et materialeforskningshold bestående af NIMS og Nagoya University har designet en ny to-trins termisk ældningsplan (dvs. ikke-isotermisk ældning eller ukonventionel varmebehandling), der er i stand til at fremstille nikkel-aluminium (Ni-Al) legeringer, der er stærkere ved høje temperaturer end Ni-Al-legeringer fremstillet ved hjælp af konventionelle termiske ældningsprocesser.

Dette blev opnået ved at bruge kunstig intelligens (AI) teknikker til at identificere adskillige dusin forskellige termiske ældningsplaner, der potentielt er effektive til at øge legerings højtemperaturstyrke. Mekanismerne bag disse skemaer blev derefter belyst gennem detaljeret analyse. Disse resultater tyder på, at kunstig intelligens kan bruges til at generere ny indsigt i materialeforskning.

Denne forskning blev offentliggjort i Scientific Reports den 4. august 2023.

Ni-Al-legeringer er sammensat af en γ/γ´ (gamma/gamma prime) tofaset mikrostruktur. Forøgelse af højtemperaturstyrken af ​​disse legeringer kræver optimering af både størrelsen og volumenfraktionen af ​​γ´-fasen, der dannes i legeringen under den termiske ældningsprocessen. Disse to parametre bestemmes af de betingelser, hvorunder legeringer ældes termisk (dvs. anvendte temperaturer og perioder, hvorunder de holdes).

Der er et enormt antal mulige temperatur-varighedskombinationer. For eksempel vil opdeling af en termisk ældningsproces i 10 lige store intervaller med ni forudbestemte ældningstemperaturer resultere i ca. 3,5 milliarder mulige temperatur-varighedskombinationer. På grund af dette store antal mulige kombinationer havde tidligere bestræbelser på at bestemme optimale termiske ældningstider været begrænset til at bruge konstante temperaturer.

Dette forskerhold har tidligere haft held med at reducere den tid og omkostninger, der er nødvendige for at evaluere disse kombinationer, ved at skifte deres tilgang fra eksperimenter til beregningssimuleringer. Alligevel fandt holdet det urealistisk at simulere alle 3,5 milliarder kombinationer.

Forskerholdet har for nylig vedtaget et Monte Carlo-træsøgningssystem (MCTS) - en AI-algoritme, der er i stand til at strømline et stort antal potentielle kombinationer til et mindre antal optimale. Ved hjælp af MCTS-algoritmen identificerede teamet 110 termiske ældningsmønstre, der er i stand til at producere bedre resultater end konventionelle isotermiske ældningsprocesser.

Holdet fandt oprindeligt, at disse mønstre var komplicerede og helt forskellige fra konventionel isotermisk aldring. Detaljeret analyse afslørede imidlertid de underliggende mekanismer bag disse mønstre:indledningsvis ældning af en prøve ved en høj temperatur i en kort periode tillader γ´-udfældninger at vokse, indtil de når næsten optimale størrelser, og efterfølgende ældning ved lav temperatur i en lang periode af tid øger deres volumenfraktion og forhindrer dem i at vokse sig for store.

Baseret på denne opdagelse designede holdet en to-trins termisk ældningsplan - kortvarig højtemperaturældning for at starte efterfulgt af langvarig lavtemperaturældning. Denne tidsplan viste sig at producere Ni-Al-legeringer, der var stærkere ved høje temperaturer end dem, der blev fremstillet ved brug af nogen af ​​de termiske ældningsmønstre, der er identificeret som effektive af AI-algoritmen.

I fremtidig forskning håber forskerholdet at øge højtemperaturstyrken af ​​mere komplekse nikkelbaserede superlegeringer, der allerede er i praktisk brug i gasturbiner ved hjælp af denne AI-baserede teknik, og derved forbedre deres effektivitet.

Flere oplysninger: Vickey Nandal et al., Kunstig intelligens inspireret design af ikke-isoterm aldring til γ–γ′ tofasede, Ni–Al legeringer, Scientific Reports (2023). DOI:10.1038/s41598-023-39589-2

Journaloplysninger: Videnskabelige rapporter

Leveret af National Institute for Materials Science