Сплавы — это смеси элементов, которые вместе создают материал, который является более сильным, долговечным, а иногда и легче, чем элементы индивидуально. Традиционные сплавы, такие как сталь или бронза, существуют на протяжении веков и обычно 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 мультипринципальные сплавы элементов или MPEAS, новые смеси, которые содержат пять или более металлов в почти равных количествах.
Проблема с созданием этих передовых сплавов заключается в том, что лучшие рецепты часто содержат редкие и дорогие элементы, известные как «критическое сырье» (CRM), такие как танталум, вольфрамовый, ниобий и гафний. Эти материалы имеют решающее значение для высокотехнологичного оборудования, но их трудно найти устойчиво. Они могут нанести ущерб окружающей среде при добыче и создавать риски для глобальных цепочек поставок, когда страны не могут легко получить к ним доступ. Чтобы уменьшить нашу зависимость от этих CRM, ученые из Индийского технологического института (IIT) Гувахати, Университет Лидса, Великобритания и Университета Манчестера, Великобритания, работают над разработкой MPEAS, но без использования каких -либо важных материалов. Используя алгоритмы машинного обучения, они создали основу 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 TCHEA7, базы данных сложных сплавов. Считались как CRM (например, Hafnium, Tantalum, Niobium, Tungsten), так и не CRM (например, алюминий, хром, медь, железо, никель, титан, молибден, марганец, олово, цинк, цирконий).
Затем алгоритмы машинного обучения использовались для прогнозирования твердости этих новых материалов. Используемые алгоритмы включали регрессор дерева решений (DTR), регрессор случайного леса (RFR), регрессор Adaboost (ABR), регрессор Gradient Boost (GBR), XGBOOST (XGBR) и Extra Trees Curresress (ETR). Из них было обнаружено, что из них алгоритм лишних деревьев (ETR) выполняет наилучшее предсказание твердости этих материалов.
Затем, используя наиболее эффективную модель ETR, ученые применяли метахевристскую оптимизацию, передовый алгоритм решения проблем, для проектирования композиций с высокой твердостью без использования CRM. Исследованные алгоритмы включали оптимизацию роя частиц (PSO), генетический алгоритм (GA), оптимизацию колоний муравей (ACO), оптимизация поиска кукушки (CSO) и алгоритм оптимизации китов (WOA). Среди протестированных моделей оптимизация поиска кукушки последовательно идентифицировала материалы MPEA со значениями твердости вблизи термино-кальцитальных прогнозов, с приемлемой погрешностью. Используя этот метод, исследователи смогли генерировать новые материалы без каких -либо CRM, с сопоставлением значений твердости или даже выше, чем с CRM.
Чтобы проверить прогнозы машинного обучения, был синтезирован сплав AL6.25CU18.75FE25CO25NI25. Его экспериментально измеренная твердость показала тесное согласие как с термо-кальцировкой, так и с ML, подтверждая точность прогнозирования.
Это исследование может значительно снизить нашу зависимость от CRM, что поможет защитить окружающую среду, уменьшив необходимость добывать эти дефицитные материалы. Это также может сделать определенные технологии менее дорогими и доступными путем облегчения глобального давления в цепочке поставок, вызванных их дефицитом.
Однако структура имеет ограничения. Хотя исследование успешно выявило новые композиции сплава, оно в первую очередь сосредоточено на твердости, одно из многих свойств, необходимых для практических применений. Будущие исследования должны исследовать другие свойства, например, как эти сплавы реагируют на изменения температуры или сопротивляются коррозии. Более того, набор данных, используемый для прогнозов машинного обучения, состоял из синтетических данных. Более реальное тестирование необходимо, чтобы убедиться, что эти компьютерные сплавы работают так же хорошо или лучше в различных условиях. Проведя больше экспериментов, ученые могут точно настроить свои прогнозы и расширить свои методы для обнаружения сплавов для более широкого диапазона использования.
Умное использование инструментов машинного обучения и оптимизации при разработке новых, экологичных сплавов представляет собой захватывающую границу в области материаловедения. Это исследование не только раздвигает границы того, что мы можем достичь технологически, но и обещает сделать это более устойчиво.
Эта исследовательская новость была частично создана с использованием искусственного интеллекта и отредактирована редактором в Research Matters
