在Ti-Zr-Nb-Ta合金中通过机器学习对当地化学环境的氧 afinity 的定量映射

科学领域:

• 材料科学 材料科学 材料科学
• 金工业是金工业的一个方面.
• 计算材料科学科学 计算材料科学

背景情况:

• 实现同时提高材料的强度和可塑性仍然是一个重大挑战.
• 将间位氧纳入--家庭耐火高合金 (HEAs) 已经显示出克服这种权衡的希望.
• 由于局部化学环境的变化,预测氧气的特定位置占用率及其对合金特性的影响是复杂的.

研究的目的:

• 为Ti-Zr-Nb-Ta高合金中氧溶液能量开发一个预测模型.
• 分析氧气占用趋势和各种组成的空间相关性.
• 建立描述符,将氧气行为与机械性能增强相关联.

主要方法:

• 使用高通量第一原则计算与机器学习 (ML) 相结合.
• 利用了原子位置的平滑重叠 (SOAP) 功能来表示当地的原子环境.
• 开发了一种ML模型,用于从未放松的原子配置中预测氧溶液能量.

主要成果:

• ML模型在预测氧溶液能量方面取得了很高的准确性 (R2 = 0.93,MAE = 0.11 eV).
• 引入了两个关键描述符:平均氧溶液能量及其标准偏差,量化氧的亲和力和分布异质性.
• 证明了这些描述符与实验观察到的强度和延展性的改善之间有很强的相关性.

结论:

• 控制的间歇性氧气整合和分布对于优化高压空气中的机械性能至关重要.
• 开发的ML方法有助于设计新的含氧高温电池.
• 提供了对耐火高合金中氧溶液行为的基本见解.