通过机器学习和多目标优化算法对高合金进行智能设计和模拟

科学领域:

• 材料科学与工程 材料科学与工程
• 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:

• 高合金 (HEAs) 具有独特的特性,但其复杂的组成阻碍了性能研究.
• 了解控制HEA性能的物理机制对于它们的应用至关重要.
• 当前的方法在有效地探索HEA的庞大组成空间时面临着挑战.

研究的目的:

• 引入一种新的计算框架,即高合金设计和模拟 (HEADS),以加速HEA开发.
• 整合机器学习 (ML),分子动力学 (MD) 和多目标优化算法 (MOOA) 进行HEA设计.
• 优化HEAs的关键机械性能,特别是弹性模量 (EM) 和最终抗拉强度 (UTS).

主要方法:

• 利用ML用于基于HEA组成的相结构的初始预测.
• 使用MD模拟来生成机械属性数据 (EM,UTS).
• 开发了深度神经网络 (DNN) 模型用于多任务回归来预测HEA性能,并将其集成到MOOA中进行优化.

主要成果:

• 在HEADS框架准确预测HEA阶段结构和机械性能.
• DNN模型成功地适应了MD模拟数据,创建了一个可靠的性能预测模型.
• MOOA,使用DNN模型作为健身功能,优化了HEAs的EM和UTS,经过FeNiCrCoCuAlMg合金的验证.

结论:

• 该HEADS框架提供了一个强大的战略,以加速发现和开发高性能HEAs.
• 这种综合方法为优化特定工程应用的HEA属性提供了新的见解.
• 该框架在赋予EM和UTS权重方面的灵活性,允许根据应用需求量身定制的材料设计.