I progressi nella scienza dei materiali si affidano sempre più ai metodi computazionali per comprendere e prevedere le proprietà delle leghe complesse.Un approccio promettente è l'applicazione delle tecniche di machine learning (ML) per prevedere le proprietà dei limiti del grano, che sono fondamentali per determinare le prestazioni meccaniche e termiche dei materiali.

Comprendere i Boundaries del grano in Lega complesse

I confini del grano sono le interfacce in cui i cristalli di diversi orientamenti si incontrano all'interno di un metallo o di una lega. Questi confini influenzano significativamente le proprietà come resistenza, duttilità, resistenza alla corrosione e conducibilità. In leghe complesse, che contengono più elementi e fasi, predire queste proprietà diventa stimolante a causa delle interazioni atomiche intricate coinvolte.

Il ruolo dell'apprendimento automatico nella prevenzione

Attraverso la formazione di algoritmi su grandi dataset derivati da esperimenti e simulazioni, i ricercatori possono sviluppare modelli predittivi che stimano le proprietà come l'energia di confine, la mobilità e le tendenze di segregazione con alta precisione.

Raccolta e Ingegneria dei dati

I modelli ML efficaci richiedono dati estensivi, tra cui configurazioni atomiche, composizioni elementali e proprietà di confine misurate. Le funzioni come ambienti atomici locali, angoli di disorientamento e distribuzioni dei caratteri di confine sono progettate per servire come input per gli algoritmi.

Tecniche di apprendimento della macchina usate

  • Foreste casuali
  • Macchine vettoriali di supporto
  • Reti neurali
  • Macchine di sollevamento di grado

Queste tecniche possono catturare relazioni complesse e non lineari e migliorare l'accuratezza delle previsioni. Modelli di apprendimento approfonditi, in particolare, hanno dimostrato la promessa nel trattare dati di alta dimensione tipici delle leghe complesse.

Vantaggi e sfide

Utilizzando ML per prevedere le proprietà di confine del grano accelera il design dei materiali riducendo l'affidabilità agli esperimenti che richiedono tempo, consentendo l'esplorazione di vasti spazi compositivi e guida lo sviluppo della lega per applicazioni specifiche.

Tuttavia, le sfide rimangono, compresa la necessità di dati di alta qualità, l'interpretazione dei modelli e la trasferibilità attraverso diversi sistemi di lega.

Le direzioni future

Il lavoro futuro consiste nell'integrazione dei modelli ML con simulazioni multiscala e loop di feedback sperimentali, che possono portare a previsioni più accurate e ad una comprensione più approfondita dei fenomeni di confine dei cereali nelle leghe complesse, in ultima analisi, a un'ingegneria dei materiali e all'innovazione.