Aceleración del Diseño de Aleaciones de Alta Entropía mediante Aprendizaje Automático: Predicción de la Resistencia a...

Área de la Ciencia:

• Ciencia de los Materiales
• Metalurgia
• Ciencia de Materiales Computacional

Sus antecedentes:

• Las aleaciones de alta entropía (HEA) ofrecen propiedades excepcionales pero se desarrollan de manera ineficiente mediante prueba y error.
• Esto dificulta la exploración, aumenta los costos e impacta la producción sostenible.

Objetivo del estudio:

• Desarrollar una metodología de aprendizaje automático (ML) para predecir la resistencia a la fluencia de las HEA.
• Acelerar el diseño y la optimización de nuevas composiciones de HEA.

Principales métodos:

• Se entrenó un modelo de ML con 181 puntos de datos de composición de HEA.
• Se logró una puntuación R-cuadrado (R²) de 0.85 para la predicción de la resistencia a la fluencia.
• Se validó la generalización del modelo en diversas categorías de HEA (Cantor, refractarias, eutécticas).

Principales resultados:

• El modelo de ML predijo con precisión las tendencias de la resistencia a la fluencia en varios tipos de HEA.
• La validación confirmó un rendimiento sólido y confiable en conjuntos de datos externos.
• Se demostró la alineación entre los datos de resistencia a la fluencia predichos y los experimentales.

Conclusiones:

• El enfoque de ML facilita el diseño combinatorio eficiente de HEA.
• Permite la optimización rápida de las composiciones de aleaciones para las propiedades deseadas.
• La metodología sirve como guía para el diseño sostenible de aleaciones y la producción respetuosa con el medio ambiente.