بررسی چارچوب ترکیبی ترمودینامیک محاسباتی و یادگیری ماشین برای پیش بینی خواص مکانیکی آلیاژهای عناصر جامد

عناصر جامد و آلیاژهای آن ها با وجود تاریخچه طولانی در تمدن بشری، همچنان با چالش های بنیادین در پیش بینی دقیق خواص مکانیکی بر اساس ترکیب شیمیایی و ریزساختار مواجه هستند. این مقاله به دنبال ارائه یک چارچوب ترکیبی نوین مبتنی بر ترمودینامیک محاسباتی، نظریه تابعی چگالی و یادگیری ماشین برای طراحی و پیش بینی خواص کششی و الاستیک آلیاژهای عناصر جامد با هدف کاهش وابستگی به روش های تجربی پرهزینه و زمان بر است. مرور پیشینه نشان می دهد که روش های کلاسیک مبتنی بر روابط تجربی دارای خطای پیش بینی بین ۱۵ تا ۲۵ درصد هستند در حالی که رویکردهای یادگیری ماشین ساده خطایی حدود ۱۲ درصد دارند. داده های تجربی و شبیه سازی تحلیل شده در این مطالعه حاکی از آن است که آلیاژهای با آنتروپی بالا به ویژه سیستم کبکروم آهن نیکل منگنز، در دمای کرایوژنیک استحکام تسلیم ۷۰۰ مگاپاسکال و چقرمگی ۲۵۰ مگاپاسکال ریشه متر از خود نشان می دهند که به مراتب بهتر از آلیاژهای کلاسیک است. همچنین تحلیل داده های ۳۰۰۰ نقطه از فولادهای کم آلیاژ نشان داد که شبکه عصبی مصنوعی می تواند استحکام تسلیم را با خطای ۵۵ مگاپاسکال و ازدیاد طول را با خطای ۱.۵ درصد پیش بینی کند که به ترتیب ۴۰ و ۳۰ درصد بهتر از مدل رگرسیون خطی است. یافته اصلی این پژوهش آن است که چارچوب ترکیبی پیشنهادی می تواند خطای پیش بینی خواص مکانیکی را به زیر ۸ درصد کاهش دهد و مدول یانگ را با خطای مطلق متوسط ۸ گیگاپاسکال پیش بینی کند. در مجموع، این مقاله نشان می دهد که عصر جدید متالورژی داده محور قادر به کشف و طراحی آلیاژهای عناصر جامد با خواص بی سابقه در کسری از زمان روش های سنتی است.

کلیدواژه ها:

عناصر جامد ، آلیاژهای با آنتروپی بالا ، پیش بینی خواص مکانیکی ، یادگیری ماشین در متالورژی ، ترمودینامیک محاسباتی ، استحکام تسلیم ، مدول یانگ ، طراحی مواد به کمک داده