Сплавы — это смеси элементов, которые вместе создают более сильный, более прочный, а иногда и более легкий материал, чем элементы индивидуально. Традиционные сплавы, такие как сталь или бронза, существовали на протяжении веков и, как правило, объединяют два или три металла для формирования сплава. Тем не менее, металлы, которые нам нужны для передовых технологий, таких как реактивные двигатели или смартфоны, становятся более сложными. Введите сплавы из мультипринципов или элементов MPEA, новых смесей, содержащих пять или более металлов в почти равных количествах.
Задача создания этих передовых сплавов заключается в том, что лучшие рецепты часто содержат редкие и дорогие элементы, называемые «критическим сырью» (CRM), такие как тантал, вольфрам, ниобий и гафний. Эти материалы имеют решающее значение для высокотехнологичного оборудования, но их трудно найти устойчивым образом. Они могут нанести ущерб окружающей среде при извлечении и создавать риски для глобальных цепочек поставок, когда страны не могут легко получить к ним доступ. Чтобы уменьшить нашу зависимость от этих CRM, ученых Индийского технологического института (IIT) Гувахати, Университета Лидса, Великобритании и Университета Манчестера, в Соединенном Королевстве, стремиться к разработке MPEA, но без использования критического оборудования. Используя алгоритмы автоматического обучения, они создали структуру для создания новых устойчивых сплавов.
Исследователи сгенерировали набор данных из 3608 новых материалов с использованием Thermo-Calc 2024, программного обеспечения для прогнозирования материалов и изучения их свойств, и TCHE7, сложной базы данных сплава. CRM (например, Hafnium, Tantalum, Niobium, Tungsten) и не -CRM (например, алюминий, хром, медь, железо, никель, титан, молибдена, марганец, олово, цинк, цирконий).
Алгоритмы автоматического обучения затем использовались для прогнозирования твердости этих новых материалов. Используемые алгоритмы включали регрессор дерева решений (DTR), регрессор случайного леса (RFR), регрессор Adaboost (ABR), градиент -регрессор (GBR), регрессор XGBOOST (XGBR) и дополнительные регрессорные деревья (ETR). Среди них алгоритм дополнительных деревьев (ETR) оказался лучшим, чтобы предсказать жесткость этих материалов.
Затем, используя наиболее эффективную модель ETR, ученые применяли метахевристскую оптимизацию, алгоритм, решающий задачу, к проектированию композиций с высокой твердостью без использования CRM. Исследованные алгоритмы включали оптимизацию роя частиц (PSO), генетический алгоритм (GA), оптимизацию колоний муравьев (ACO), оптимизацию исследований кукушки (CSO) и алгоритм оптимизации алгоритмов китов (WOA). Среди протестированных моделей оптимизация поиска кукушки систематически идентифицировала материалы MPEA со значениями твердости вблизи термо-кальцевых прогнозов, с приемлемым погрешностью. Используя этот метод, исследователи смогли генерировать новые материалы без какого -либо CRM с соответствующими или даже более высокими значениями твердости, чем с CRM.
Чтобы проверить автоматические прогнозы обучения, был синтезирован сплав AL6.25CU18.75FE25CO25NI25. Экспериментально его твердость показала тесное согласие с оценками термо-кальцировки и ML, подтверждая точность прогноза.
Это исследование может значительно снизить нашу зависимость от CRM, что поможет защитить окружающую среду, уменьшая необходимость использования этих редких материалов. Это также может сделать определенные технологии менее дорогими и доступными, смягчая глобальное давление цепочки поставок, вызванной их редкостью.
Тем не менее, рама имеет ограничения. Хотя исследование преуспело в выявлении новых композиций сплава, оно в основном было сосредоточено на твердости, одно из многих свойств, необходимых для практических применений. Будущие исследования должны изучать другие свойства, такие как способ реагирования этих сплавов на изменения температуры или противостоять коррозии. Кроме того, набор данных, используемый для автоматических прогнозов обучения, состоял только из синтетических данных. Необходимы более реальные тесты, чтобы убедиться, что эти компьютерные сплавы также работают или лучше в различных условиях. Проведя больший опыт, ученые могут усовершенствовать свои прогнозы и расширить свои методы для обнаружения сплавов для более широкого диапазона использования.
Интеллектуальное использование инструментов автоматического обучения и оптимизации при разработке новых экологически чистых сплавов имеет захватывающую границу в области материаловедения. Это исследование отражает не только пределы того, что мы можем сделать технологически, но и обещают сделать это более навсегда.
Эти исследования исследований были получены частично с использованием искусственного интеллекта и опубликованы издателем исследований.
