logo móvil
Contáctanos

Diseño Asistido por Aprendizaje Automático de Nuevas Aleaciones de Alta Entropía Refractarias TiZrNbVAl con Ductilidad Mejorada

Autores: Zhao, Xinyi; Wei, Zihang; Zhao, Junfeng; Jia, Yandong; Cao, Shuo; Wang, Dan; Lei, Yucheng

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico


Categoría

Ciencias de los Materiales

Subcategoría

Materiales estructurales

Palabras clave

Refractarios
Aleaciones de alta entropía
Ductilidad
Aprendizaje automático
TiZrNbVAl
Parámetros termodinámicos

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 5

Citaciones: Sin citaciones


Descripción
Las aleaciones de alta entropía refractarias (RHEAs) suelen exhibir una excelente resistencia a altas temperaturas, pero una ductilidad limitada. En este estudio, se propone una estrategia integral de aprendizaje automático con conocimiento material integrado para predecir la elongación de las RHEAs TiZrNbVAl. Al referirse a las teorías de ductilidad, se desarrolla un conjunto de características materiales rentables con diversas formas matemáticas de parámetros termodinámicos. Estas características han demostrado incorporar efectivamente el conocimiento material en el modelado de aprendizaje automático. También ofrecen alternativas potenciales a las obtenidas de cálculos de primeros principios costosos. Basándose en los coeficientes de correlación de Pearson, se compararon las relaciones lineales entre características pareadas, y se seleccionaron las siete características clave con el mayor impacto en el modelo para el modelado de aprendizaje automático. Se realizaron tareas de regresión para predecir la ductilidad de TiZrNbVAl, y se seleccionó finalmente el algoritmo de aumento de gradiente CatBoost, que exhibió el mejor rendimiento. El modelo optimizado establecido logra altas precisiones predictivas que superan 0.8. Estas características clave se analizaron además utilizando métodos de aprendizaje automático interpretables para elucidar sus influencias en varios mecanismos de ductilidad. Según los resultados del aprendizaje automático, se prepararon diferentes composiciones de TiZrNbVAl con excelentes propiedades de tracción. Los resultados experimentales indican que Ti44Zr24Nb17V5Al10 y Ti44Zr26Nb8V13Al9 exhibieron ambas resistencias a la tracción última de aproximadamente 1180 MPa y elongaciones superiores al 21%. Verificaron que la estrategia de aprendizaje automático propuesta en este estudio es un enfoque efectivo para predecir las propiedades de las RHEAs. Es un método potencial que puede reemplazar cálculos costosos de primeros principios. Se ha demostrado que los parámetros termodinámicos predicen efectivamente la ductilidad de la aleación hasta cierto punto.

Otros recursos que podrían interesarte

    Temas Virtualpro