使用MD-ML-MA框架研究FeNiCrMn合金的机械性能和临界温度

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
• 机械工程 机械工程

背景情况:

• FeNiCrMn合金密封对于发动机气头密封和整体发动机可靠性至关重要.
• 在这些密封件中,塑性变形区域消失的确切温度尚未确定.
• 了解在不同温度和应变率下套的行为,对于预测性能至关重要.

研究的目的:

• 为了研究FeNiCrMn合金密封件的机械性能和临界过渡温度.
• 为了确定温度和拉伸率对料材料的拉伸和压缩行为的影响.
• 利用机器学习开发一个用于封性能的预测模型.

主要方法:

• 使用了分子动力学 (MD) 模拟,机器学习 (ML) 模型和数学分析 (MA) 的综合框架.
• 用MD模拟来评估各种温度和张力率的拉伸和压缩反应.
• 一个ML神经网络在MD数据上进行了训练,用于预测建模,MA量化了塑料区域的行为,以找到关键温度.

主要成果:

• 降低温度可以抑制张力下的塑料变形,但可以提高FeNiCrMn合金密封件的压力性能.
• 发现应变率对合金的弹性和强度特性影响微不足道.
• 一个机器学习模型实现了高预测准确性 (MAE = 0.0072,R2 = 0.9949).
• 数学分析确定了临界温度:张力为509K (超出这种压力可塑性消失),压缩为526K (行为趋势相反).

结论:

• 该研究成功地确定了FeNiCrMn合金封装的临界温度值,澄清了它们从塑料到非塑料行为的过渡.
• 开发的MD-ML-MA框架提供了一个准确和有效的方法来预测密封件的机械性能.
• 这些发现对于优化密封件设计和在不同操作条件下确保发动机可靠性至关重要.