Table of Contents
پیشرفت در علوم مواد به طور فزاینده ای بر روش های محاسباتی برای درک و پیش بینی خواص آلیاژ پیچیده متکی است.یک رویکرد امیدوار کننده استفاده از تکنیک های یادگیری ماشین (ML) برای پیش بینی خواص مرزی دانه است که در تعیین عملکرد مکانیکی و حرارتی مواد حیاتی هستند.
درک بوندaries دانه در آلیاژهای پیچیده
مرزهای دانه رابط هایی هستند که در آن کریستال های جهت گیری های مختلف در داخل یک فلز یا آلیاژ قرار می گیرند.این مرزها به طور قابل توجهی بر خواص مانند قدرت، تحرک، مقاومت در برابر خوردگی و هدایت تأثیر می گذارند.در آلیاژهای پیچیده که شامل عناصر متعدد و مراحل هستند، پیش بینی این خواص به دلیل تعاملات پیچیده اتمی درگیر به چالش می شود.
نقش یادگیری ماشین در پیش بینی
یادگیری ماشین یک رویکرد مبتنی بر داده را برای مدل سازی رابطه بین ساختارهای اتمی و خواص مرزی دانه ارائه می دهد.با آموزش الگوریتم ها در مجموعه داده های بزرگ از آزمایشات و شبیه سازی ها، محققان می توانند مدل های پیش بینی شده ای را توسعه دهند که خواصی مانند انرژی مرزی، تحرک و گرایش های جدایی با دقت بالا را تخمین می زنند.
مجموعه داده ها و مهندسی ویژگی
مدل های موثر ML نیاز به داده های گسترده، از جمله پیکربندی های اتمی، ترکیبات عنصری و ویژگی های مرزی اندازه گیری شده دارند.ویژگی هایی مانند محیط های اتمی محلی، زوایای منحرف کننده و توزیع های شخصیت مرزی برای خدمت به عنوان ورودی برای الگوریتم ها مهندسی شده اند.
تکنیک های یادگیری ماشین استفاده شده
- جنگل های تصادفی
- پشتیبانی ماشین آلات
- شبکه های عصبی
- ماشین های تقویت کننده Gradient Boosting Machines
این تکنیک ها می توانند روابط پیچیده و غیر خطی را به دست بگیرند و دقت پیش بینی را بهبود بخشند.به ویژه مدل های یادگیری عمیق، وعده داده اند که داده های با ابعاد بالا از آلیاژهای پیچیده را مدیریت کنند.
مزایا و چالش ها
استفاده از ML برای پیش بینی خواص مرزی دانه سرعت طراحی مواد با کاهش وابستگی به آزمایش های زمان بر، آن را قادر به اکتشاف فضاهای ترکیب گسترده و هدایت توسعه آلیاژ برای برنامه های خاص.
با این حال، چالش ها باقی مانده، از جمله نیاز به داده های با کیفیت بالا، تفسیر مدل ها و انتقال پذیری در سیستم های مختلف آلیاژی. Ongoing Research با هدف رسیدگی به این مسائل و افزایش قابلیت اطمینان پیش بینی ML است.
مسیر های آینده
کار آینده شامل ادغام مدل های ML با شبیه سازی های چند مقیاسی و حلقه های بازخورد تجربی است.این synergy می تواند به پیش بینی های دقیق تر و درک عمیق تر از پدیده های مرزی دانه در آلیاژهای پیچیده منجر شود، در نهایت پیشرفت مهندسی مواد و نوآوری.