基于深度学习的框架,用于高硬度高透合金多元组件的高效设计.

科学领域:

• 材料科学 材料科学 材料科学
• 计算材料科学科学 计算材料科学
• 合金设计设计 合金设计

背景情况:

• 机器学习 (ML) 为高合金 (HEA) 研究提供了一个新的范式.
• 传统的合金设计方法是有限的,而纯粹基于数据的方法可能无法保证性能.
• 在探索新的HEA系统和确保可靠的性能之间优化平衡是一个关键的挑战.

研究的目的:

• 开发一个深度学习框架,整合材料领域的知识和数据驱动技术.
• 为了优化多元组件,高硬度HEAs的设计过程.
• 解决传统和纯粹数据驱动的合金设计方法的局限性.

主要方法:

• 一个材料连接嵌入 (MCE) 模块与BiLSTM-CRF网络相结合,用于分析2698篇研究论文,提取8067个数据点.
• 材料领域的知识被纳入,以确定一个精选的硬度数据集的高潜力元素和处理条件.
• 结合遗传算法 (GA) 和粒子群优化 (PSO) 的两阶段设计策略被用于合金系统的探索和组成的改进.

主要成果:

• 三个新的HEA已经成功设计:Cr$_{20.6}$Fe$_{22.5}$Mo$_{20.6}$Ti$_{18.3}$V$_{18}$,Al$_{9.32}$Cr$_{20.62}$Fe$_{21.71}$Mo$_{27.09}$Ti$_{21.26}$,以及Al$_{6}$Cr$_{20.3}$Fe$_{19.5}$Mo$_{20.1}$Nb$_{18.8}$Ti$_{15.3}$.
• 硬度的预测平均相对误差小于5%.
• 最佳设计合金的硬度仅低于历史记录的38 HV.

结论:

• 拟议的深度学习框架有效地整合了HEA设计的领域知识和数据驱动方法.
• 这种方法有助于发现具有可预测性能的新型高硬度HEAs.
• 该框架为推进多元组件合金开发提供了一个有前途的战略.