Ductility Design Rules for Tungsten based Refractory High Entropy Alloys from Sparse Experimental Datasets

Resumen Técnico: Reglas de Diseño de Ductilidad para Aleaciones de Alta Entropía Refractarias Basadas en Tungsteno a partir de Conjuntos de Datos Experimentales Dispersos

Planteamiento del Problema
El tungsteno (W) es un candidato crítico para componentes que enfrentan el plasma en reactores de fusión debido a su alto punto de fusión, conductividad térmica y bajo rendimiento de pulverización (sputtering). Sin embargo, su alta temperatura intrínseca de transición dúctil-frágil (DBTT), típicamente cercana a los 400 °C, limita severamente su tenacidad durante el apagado y la manipulación del reactor. La irradiación neutrónica exacerba aún más la fragilidad mediante la generación de defectos de red y la reducción de la conductividad térmica. Si bien las aleaciones de alta entropía refractarias (RHEAs) basadas en W ofrecen una vía para modificar la estructura electrónica y la resistencia de la red para reducir la DBTT, el vasto espacio de diseño composicional de estas aleaciones de múltiples elementos principales es difícil de navegar. El modelado atomístico tradicional (DFT, MD) es computacionalmente prohibitivo para el cribado de alto rendimiento, y los datos experimentales existentes de propiedades mecánicas para W-RHEAs son dispersos, heterogéneos y a menudo carecen de mediciones estandarizadas de fractura o DBTT. En consecuencia, existe la necesidad de un marco basado en datos capaz de extraer reglas de diseño a partir de conjuntos de datos limitados para identificar estrategias de aleación que mitiguen la fragilidad a temperatura ambiente.

Metodología
Los autores desarrollaron un marco de aprendizaje automático interpretable e informado por la física, adaptado a conjuntos de datos dispersos:

1. Curación de Datos: Se compiló un conjunto de datos de 87 RHEAs que contienen W reportadas experimentalmente. La ductilidad a temperatura ambiente se definió utilizando un criterio de clasificación binaria: las aleaciones con elongación en tracción $\ge$ 5% o deformación en compresión $\ge$ 10% se clasificaron como dúctiles; las demás como frágiles. Este umbral tiene en cuenta la asimetría de tracción-compresión inherente a los sistemas BCC refractarios.
2. Ingeniería de Características: En lugar de depender únicamente de la composición bruta, el estudio utilizó descriptores informados por la física basados en la composición, calculados mediante la regla de mezclas (ROM). Estos incluyeron la concentración de electrones de valencia (VEC), la diferencia de tamaño atómico, la entalpía de mezcla, la entropía de mezcla ideal, el desajuste de electronegatividad, los módulos elásticos promedio (Young, cizalla, bulk), la relación de Pugh y parámetros electrónicos derivados de DFT, como el parámetro de intercambio-correlación promedio ($r_s$) y el campo de presión. Las características altamente correlacionadas se podaron para reducir la dimensionalidad.
3. Marco de Aprendizaje Automático: Se evaluaron tres clasificadores (Bosque Aleatorio, Regresión Logística y Clasificador de Vectores de Soporte - SVC) utilizando validación cruzada anidada (5 pliegues internos, 10 pliegues externos) para evitar el sobreajuste y asegurar estimaciones de generalización imparciales. El SVC con un núcleo de función de base radial (RBF) demostró el desempeño más fiable (Precisión Balanceada $\approx$ 0.84).
4. Interpretación del Modelo: Se emplearon las Explicaciones de Shapley Aditivas (SHAP) para cuantificar la contribución de cada característica al límite de clasificación dúctil/frágil.
5. Generación Sintética y Visualización: Para visualizar las tendencias en el espacio de alta dimensión, se generaron composiciones sintéticas dentro del dominio de interpolación convexo de los datos de entrenamiento. Estas se proyectaron en diagramas pseudo-ternarios para mapear las tendencias de ductilidad predichas.
6. Validación mediante Primeros Principios: Se seleccionaron seis aleaciones representativas que abarcan el límite de decisión del SVC (desde alta confianza de ductilidad hasta fragilidad) para la validación mediante la Teoría del Funcional de la Densidad (DFT). Se construyeron Estructuras Cuasi-Aleatorias Especiales (SQS) y se calcularon las propiedades elásticas, los factores de energía de dislocación y la densidad de estados (DOS) electrónica para verificar la relevancia física de las predicciones de ML.

Resultos Clave

• Desempeño del Modelo: El modelo SVC alcanzó una precisión balanceada de 0.8375 $\pm$ 0.1315. El análisis de sensibilidad confirmó que el desempeño discriminativo del modelo fue robusto ante variaciones en el umbral de deformación en compresión (5%–15%).
• Importancia de las Características: El análisis SHAP identificó cuatro características dominantes que gobiernan el límite de clasificación: el parámetro de intercambio-correlación ($r_s$), la concentración de electrones de valencia (VEC), el campo de presión y el desajuste de electronegatividad. Notablemente, los descriptores electrónicos ($r_s$ y VEC) resultaron ser más influyentes que los parámetros puramente geométricos o termodinámicos.
• Tendencias de Aleación:
  • Promotores de Ductilidad: Las adiciones moderadas de Titanio (Ti), Níquel (Ni) y Cobalto (Co) aumentaron significativamente la probabilidad de ductilidad a temperatura ambiente. Las adiciones de Ti, en particular, mostraron el desplazamiento positivo más fuerte en la función de decisión.
  • Promotores de Fragilidad: Los altos contenidos de Cromo (Cr) y Hafnio (Hf) desplazaron consistentemente las predicciones hacia un comportamiento frágil. Los sistemas ricos en Cr se asociaron con márgenes de decisión negativos, lo que concuerda con la formación de fases de topología cercana al empaquetamiento (TCP).
• Validación por DFT: Los cálculos de DFT proporcionaron soporte físico independiente a las tendencias de ML. Las aleaciones con márgenes positivos de SVC elevados (p. ej., MoNbTaWTiHfZr) exhibieron:
  • Menores módulos de cizalla y dureza Vickers.
    la Relación de Pugh ($B/G > 1.75$) y razones de Poisson ($\nu > 0.26$).
  • Factores de energía de dislocación de tornillo y mixtos más bajos, indicando barreras reducidas para la nucleación y el movimiento de dislocaciones.
  • Estructuras electrónicas más deslocalizadas cerca del nivel de Fermi en comparación con los candidatos frágiles.
  • Por el contrario, los candidatos frágiles (p. ej., TaVWCr) mostraron mayor dureza, indicadores de ductilidad más bajos y estados electrónicos localizados.

Significancia y Reivindicaciones
Este artículo establece un marco de cribado interpretable e informado por la física diseñado específicamente para conjuntos de datos dispersos de tungsteno. Los autores afirman que, al combinar datos experimentales curados con descriptores basados en la física y un riguroso proceso de selección de modelos, han identificado con éxito estrategias de aleación cuantitativas para reducir la DBTT en W-RHEAs.

El trabajo demuestra que el aprendizaje automático puede extraer reglas de diseño significativas incluso cuando los datos son limitados y heterogéneos, siempre que las características estén fundamentadas físicamente. El acuerdo entre el límite de decisión aprendido y las propiedades elásticas y electrónicas independientes derivadas de DFT valida la relevancia física de la clasificación inferida. Específicamente, el estudio confirma que el Ti, el Ni y el Co son ductilizantes efectivos en este espacio composicional, mientras que el Cr y el Hf deben limitarse.

Los autores declaran explícitamente que este trabajo sirve como un criterio de cribado inicial centrado en la ductilidad a temperatura ambiente. Reconocen que la calificación completa para fusión requiere un marco de optimización multiobjetivo que también considere la evolución de las propiedades inducida por la irradiación, la degradación del transporte térmico y las restricciones de activación, las cuales no se abordan en el presente estudio. El marco se presenta como una herramienta para guiar la simulación dirigida y la validación experimental, más que como una solución definitiva para todos los desafíos de materiales relevantes para la fusión.