In einer Studie kürzlich veröffentlicht In MaschinenbauWissenschaftler der Universität für Wissenschaft und Technologie Peking, der Guangdong Ocean University und AiMaterials Research LLC haben eine neuartige Methode demonstriert, um die Entdeckung von Zusammensetzungen aus feuerfesten Hochentropielegierungen (RHEAs) zu beschleunigen, die für extreme Bedingungen optimiert sind.
Die Studie mit dem Titel „Machine-Learning-Assisted Compositional Design of Refractory High-Entropy Alloys with Optimal Strength and Ductility“ beschreibt, wie maschinelles Lernen (ML), genetische Suche, Clusteranalyse und experimentelles Design eingesetzt wurden, um Milliarden von Legierungen zu durchsuchen mögliche Zusammensetzungen und identifizieren Sie diejenigen mit überlegenen mechanischen Eigenschaften.
Das Forschungsteam unter der Leitung von Turab Lookman und Yanjing Su synthetisierte und testete 24 verschiedene Legierungszusammensetzungen durch einen strengen iterativen Prozess mit sechs Rückkopplungsschleifen. Ihre Bemühungen führten zu vier Zusammensetzungen, die eine bemerkenswerte Streckgrenze bei hoher Temperatur und Duktilität bei Raumtemperatur zeigten. Unter diesen stach das ZrNbMoHfTa-Legierungssystem, insbesondere die Zusammensetzung Zr0,13Nb0,27Mo0,26Hf0,13Ta0,21, mit einer Streckgrenze von nahezu 940 MPa bei 1200 °C und einer Bruchdehnung bei Raumtemperatur von 17,2 % hervor.
Ein Fortschritt bei Hochtemperaturmaterialien
Die außergewöhnliche Leistung der ZrNbMoHfTa-Legierung stellt einen bedeutenden Fortschritt in der Materialwissenschaft dar. Seine Streckgrenze bei 1200 °C übertrifft die früherer RHEAs und herkömmlicher Superlegierungen auf Nickelbasis, die typischerweise auf niedrigere Temperaturen beschränkt sind. Diese Verbesserung eröffnet neue Möglichkeiten für Hochtemperatur-Strukturanwendungen, unter anderem in Gasturbinen, Antriebssystemen für die Luft- und Raumfahrt und Kernreaktoren.
Durch die Integration von maschinellem Lernen in herkömmliche Legierungsdesignmethoden konnten Forscher schnell Zusammensetzungen identifizieren und optimieren, die zuvor undenkbar waren. Dieser Durchbruch beseitigt nicht nur die Einschränkungen bestehender Materialien, sondern setzt auch einen neuen Standard für Hochtemperaturlegierungen.
Ein neues Paradigma für Materialdesign
Der Ansatz der Forscher stellt einen Paradigmenwechsel im Materialdesign dar, indem er den riesigen Kompositionsraum von RHEAs effektiv verwaltet und mehrere Leistungsziele gleichzeitig anspricht. Durch den Einsatz von ML-Algorithmen war das Team in der Lage, Legierungseigenschaften mit beispielloser Genauigkeit und Effizienz vorherzusagen und so häufige Herausforderungen wie begrenzte Daten und komplexe Optimierungsaufgaben zu meistern.
Die Studie unterstreicht auch die Bedeutung der Einbeziehung von Multi-Objective-Optimierungstechniken (MOO), um verschiedene Materialeigenschaften, einschließlich Festigkeit, Duktilität und Oxidationsbeständigkeit, auszugleichen. Die Anpassungsfähigkeit des vorgeschlagenen Rahmenwerks an andere Legierungssysteme zeigt sein Potenzial, das Design von Materialien in verschiedenen Anwendungen und Branchen zu revolutionieren.
Obwohl die aktuelle Studie bemerkenswerte Ergebnisse erzielt hat, betonen die Forscher, dass es noch Raum für Verbesserungen und weitere Untersuchungen gibt. Zukünftige Arbeiten werden sich auf die Integration zusätzlicher Elemente konzentrieren, um Eigenschaften wie Oxidationsbeständigkeit zu verbessern und ML-Modelle zu verfeinern, um Unsicherheiten zu bewältigen und die Vorhersagegenauigkeit zu verbessern. Die Studie unterstreicht auch die Notwendigkeit effizienter Auswahlstrategien wie der Clusteranalyse, um die experimentellen und rechnerischen Kosten zu optimieren.
„Der Erfolg dieser Forschung eröffnet neue Wege für Materialinnovationen“, bemerkte Nan Zhang, Herausgeber von Maschinenbau. „Während Forscher ihren Ansatz weiter verfeinern und neue Zusammensetzungen erforschen, erwarten wir noch größere Fortschritte bei Hochtemperaturlegierungen, die ein breites Spektrum technischer Anwendungen verändern könnten.“
Der Artikel wurde von Cheng Wen, Yan Zhang, Changxin Wang, Haiyou Huang, Yuan Wu, Turab Lookman und Yanjing Su verfasst.
Weitere Informationen:
Cheng Wen et al, Machine-Learning-Assisted Compositional Design of Refractory High-Entropy Alloys with Optimal Strength and Ductility, Maschinenbau (2024). DOI: 10.1016/j.eng.2023.11.026