🔬 materials science

Atomistic understanding of hydrogen bubble-induced embrittlement in tungsten enabled by machine learning molecular dynamics

यह अध्ययन टंगस्टन-हाइड्रोजन प्रणाली के लिए एक अत्यधिक सटीक मशीन-लर्नड पोटेंशियल विकसित करता है ताकि बड़े पैमाने के सिमुलेशन के माध्यम से यह प्रकट किया जा सके कि कैसे हाइड्रोजन नैनोवोइड्स के भीतर समतलीय क्लस्टर में एकत्रित होकर बबल क्रैकिंग और डिस्लोकेशन गतिविधि के दमन के माध्यम से भंगुर फ्रैक्चर (ब्रिटल फ्रैक्चर) को ट्रिगर करती है।

मूल लेखक: Yu Bao, Keke Song, Jiahui Liu, Yanzhou Wang, Yifei Ning, Penghua Ying, Ping Qian

प्रकाशित 2026-03-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Yu Bao, Keke Song, Jiahui Liu, Yanzhou Wang, Yifei Ning, Penghua Ying, Ping Qian

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: यह क्यों महत्वपूर्ण है

कल्पना कीजिए कि एक सुपर-स्ट्रॉन्ग स्टील से बना एक पुल है। आप चाहते हैं कि यह हमेशा के लिए टिका रहे, लेकिन एक अदृश्य दुश्मन है: हाइड्रोजन। जब हाइड्रोजन धातु के अंदर पहुँच जाती है, तो वह केवल वहीं नहीं रहती; वह छोटे, उच्च-दबाव वाले बुलबुले बनाने लगती है। समय के साथ, ये बुलबुले धातु को भंगुर (brittle) बना देते हैं, जिससे धातु मुड़ने के बजाय अचानक टूट जाती है। यह भविष्य के परमाणु संलयन (nuclear fusion) रिएक्टरों के लिए एक बड़ी समस्या है, जो अत्यधिक गर्मी को सहने के लिए टंगस्टन (एक अत्यंत कठोर धातु) का उपयोग करते हैं।

समस्या क्या है? वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि ये बुलबुले वास्तव में कैसे बनते हैं और धातु को कैसे तोड़ते हैं, लेकिन यह एक अकेले परमाणु की गति का मूवी देखने जैसा है। सामान्य कंप्यूटरों के लिए इसे सटीक रूप से सिम्युलेट करना बहुत छोटा और बहुत तेज़ है।

समाधान: एक "स्मार्ट" कंप्यूटर मॉडल

शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (मशीन लर्निंग) का उपयोग करके एक नए प्रकार का डिजिटल माइक्रोस्कोप बनाया है।

पुराना तरीका: वैज्ञानिकों को पहले दो बुरे विकल्पों में से एक को चुनना पड़ता था:
1. "सुपर-सटीक" कैलकुलेटर: यह एक मास्टर शेफ द्वारा चावल के एक दाने को पकाने जैसा था। इसका स्वाद एकदम सही था (सटीक), लेकिन इसे इतना समय लगता था कि आप कभी पूरा भोजन नहीं बना पाते थे (बड़े सिमुलेशन के लिए बहुत धीमा)।
2. "तेज़" कैलकुलेटर: यह एक माइक्रोवेव की तरह था। यह पूरा भोजन पकाने के लिए पर्याप्त तेज़ था, लेकिन खाना बेस्वाद था और कभी-कभी जल भी जाता था (अशुद्ध)। यह भविष्यवाणी नहीं कर सकता था कि हाइड्रोजन बुलबुले वास्तव में कैसे व्यवहार करते हैं।
नया तरीका (NEP-WH मॉडल): टीम ने एक "स्मार्ट शेफ" (एक मशीन लर्निंग मॉडल) बनाया। उन्होंने इसे "मास्टर शेफ" (क्वांटम भौतिकी गणनाओं) से लाखों उदाहरण खिलाकर प्रशिक्षित किया।
- परिणाम: यह नया मॉडल पूरे भोजन को पकाता है (लाखों परमाणुओं का सिमुलेशन करता है) लेकिन इसका स्वाद बिल्कुल वैसा ही होता है जैसा मास्टर शेफ ने बनाया हो। यह तेज़ भी है और अविश्वसनीय रूप से सटीक भी।

उन्होंने क्या खोजा: "बुलबुले" की कहानी

इस नए "स्मार्ट शेफ" का उपयोग करके, उन्होंने सिम्युलेट किया कि क्या होता है जब हाइड्रोजन टंगस्टन धातु के भीतर एक बहुत छोटे छेद (nanovoid) में फंस जाती है। यहाँ वह कहानी है जो उन्होंने उजागर की:

1. वॉइड (Void) में पार्टी
धातु के भीतर एक छोटे, खाली कमरे (void) की कल्पना करें। हाइड्रोजन गैस के अणु ( $H_2$ ) अंदर आते हैं और कमरे को भर देते हैं। वे इधर-उधर टकराते हैं, भारी दबाव बनाते हैं—जैसे स्टील के बॉक्स के अंदर गुब्बारा फुलाया जा रहा हो।

ट्विस्ट: इनमें से कुछ हाइड्रोजन अणु अलग होकर व्यक्तिगत परमाणुओं में टूट जाते हैं और कमरे की दीवारों से चिपक जाते हैं।

2. "फ्लैट" संरचना का निर्माण
यहाँ चौंकाने वाली बात है। हाइड्रोजन परमाणु बेतरतीब ढंग से चिपकने के बजाय, उन्होंने कमरे की विशिष्ट दीवारों ({100} प्लेन्स) के साथ सपाट, पैनकेक जैसी परतों में खुद को व्यवस्थित करने का फैसला किया।

उपमा: एक भीड़ भरे डांस फ्लोर के बारे में सोचें। आमतौर पर, लोग बेतरतीब ढंग से चलते हैं। लेकिन अचानक, हर कोई दीवारों के साथ बिल्कुल सीधी, सपाट पंक्तियों में खड़े होने का फैसला करता है। ये "हाइड्रोजन पैनकेक्स" धातु के परमाणुओं को दूर धकेलते हैं, जिससे धातु एक रबर बैंड की तरह खिंच जाती है।

3. संगम (The Intersection)
जहाँ ये फ्लैट हाइड्रोजन पैनकेक्स मिलते हैं (जैसे कमरे के कोने), वहाँ वे एक अलग, हेक्सागोनल संरचना बनाते हैं। यह हाइड्रोजन के एक ऐसे "ट्रैफिक जाम" को बनाता है जो और भी अस्थिर है।

टूटने का बिंदु: धातु क्यों टूटती है

शोधकर्ताओं ने फिर इस धातु को खींचा (तनाव का सिमुलेशन किया) यह देखने के लिए कि यह कब टूटेगी।

हाइड्रोजन के बिना: धातु मजबूत होती है। जब आप इसे खींचते हैं, तो यह मुड़ती है, और तनाव को कम करने के लिए छोटे दोष (dislocations) इधर-उधर चलते हैं। यह एक लचीले रबर बैंड की तरह है।
हाइड्रोजन के साथ: "हाइड्रोजन पैनकेक्स" ऐसे गोंद की तरह काम करते हैं जो धातु को जमा देते हैं। वे धातु को मुड़ने या हिलने से रोक देते हैं।
- मुड़ने के बजाय, धातु तुरंत टूट जाती है।
- दरारें बुलबुले के बीच से नहीं जातीं; वे उन फ्लैट हाइड्रोजन पैनकेक्स के साथ बढ़ती हैं।
- परिणाम: धातु अपनी मजबूती और लचीलेपन (ductile) से बदलकर भंगुर और टूटने योग्य (brittle) हो जाती है।

वास्तविक दुनिया से संबंध

यह उस रहस्य को समझाता है जिसे प्रयोगात्मक वैज्ञानिकों ने वर्षों से देखा है: कि क्यों फ्यूजन रिएक्टरों में टंगस्टन में "ब्लिस्टर" (बुलबुले) विकसित होते हैं जो सतह पर दरारों की तरह दिखते हैं।

सिद्धांत: हाइड्रोजन बुलबुले बनते हैं, आंतरिक फ्लैट स्टैक बनाते हैं, और फिर धातु उन स्टैक्स के साथ ही टूट जाती है।
प्रभाव: अब जब हम इस तंत्र को समझ गए हैं, तो इंजीनियर बेहतर टंगस्टन घटकों को डिजाइन कर सकते हैं जो अत्यधिक परिस्थितियों में टूटने और विफल होने की कम संभावना रखते हैं।

सारांश

संक्षेप में, वैज्ञानिकों ने एक सुपर-फास्ट, सुपर-स्मार्ट AI मॉडल बनाया है ताकि वे देख सकें कि धातु के अंदर हाइड्रोजन कैसे व्यवहार करती है। उन्होंने पाया कि हाइड्रोजन खुद को फ्लैट, कठोर स्टैक्स में व्यवस्थित करती है जो धातु को मुड़ने से रोकते हैं, जिससे वह कांच की तरह टूट जाती है। यह खोज हमें स्वच्छ ऊर्जा के भविष्य के लिए सुरक्षित, मजबूत सामग्री बनाने में मदद करती है।

1. समस्या विवरण (Problem Statement)

हाइड्रोजन-प्रेरित भंगुरता (Hydrogen-induced embrittlement) संरचनात्मक धातुओं में एक महत्वपूर्ण विफलता तंत्र है, विशेष रूप से टंगस्टन (W) में, जो फ्यूजन रिएक्टरों के लिए प्लाज्मा-फेसिंग घटकों के प्रमुख उम्मीदवार हैं। जबकि प्रयोगात्मक साक्ष्य पुष्टि करते हैं कि नैनोस्केल रिक्तियों (voids) के भीतर हाइड्रोजन बुलबुले बनते हैं जिससे विनाशकारी विफलता होती है, इस प्रक्रिया के परमाणु मूल (atomistic origins) अभी भी अज्ञात हैं।

वर्तमान विधियों की सीमाएँ:
- डेंसिटी फंक्शनल थ्योरी (DFT): सटीक है लेकिन उन बड़े सिस्टम आकारों (लाखों परमाणु) और लंबी समय-सीमाओं (नैनोसेकंड) के लिए गणनात्मक रूप से अत्यधिक महंगी है जो बुलबुले के नाभिकीयकरण (nucleation) और विकास को सिम्युलेट करने के लिए आवश्यक हैं।
- एम्पिरिकल पोटेंशियल (EAM, BOP): गणनात्मक रूप से कुशल हैं लेकिन रिक्तियों में हाइड्रोजन ट्रैपिंग, $H_2$ अणु निर्माण और उच्च-दबाव आंतरिक बुलबुला गतिकी जैसे जटिल परिघटनाओं का वर्णन करने के लिए पर्याप्त सटीक नहीं हैं। पिछले मशीन-लर्नड पोटेंशियल (जैसे Deep Potential) ने अपर्याप्त प्रशिक्षण डेटा के कारण रिक्तिका-हाइड्रोजन परिसरों (vacancy-hydrogen complexes) के प्रति स्थानांतरणीयता (transferability) में अनिश्चितता दिखाई थी।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक उच्च-सटीकता, स्थानांतरणीय मशीन-लर्नड पोटेंशियल (MLP) विकसित किया और बड़े पैमाने पर मॉलिक्यूलर डायनामिक्स (MD) सिमुलेशन के लिए इसका उपयोग किया।

मॉडल विकास (NEP-WH):
- फ्रेमवर्क: न्यूरोइवोल्यूशन पोटेंशियल (NEP) फ्रेमवर्क (विशेष रूप से NEP4) का उपयोग किया गया, जो प्रशिक्षण के लिए एक फीडफॉरवर्ड न्यूरल नेटवर्क को एक इवोल्यूशनरी एल्गोरिदम के साथ जोड़ता है।
- एक्टिव लर्निंग: कॉन्फ़िगरेशन स्पेस को एक्सप्लोर करने के लिए NEP मॉडलों की एक कमेटी का उपयोग करके एक पुनरावृत्ति (iterative) एक्टिव लर्निंग योजना अपनाई गई। उच्च भविष्यवाणी अनिश्चितता वाले कॉन्फ़िगरेशन की पहचान की गई और प्रशिक्षण सेट को विस्तारित करने के लिए उन्हें DFT (PW91 फंक्शनल) का उपयोग करके पुनर्गणना किया गया।
- प्रशिक्षण डेटा: अंतिम डेटासेट में 57,400 संरचनाएं (8 मिलियन से अधिक परमाणु) शामिल थीं, जिसमें शुद्ध W, दोषपूर्ण W, तरल W, $H_2$ अणु और 50 K से 5100 K के तापमान और -2 MPa से 20 GPa के दबाव की विभिन्न ऊष्मप्रवैगिकी स्थितियों के तहत विभिन्न W-H विन्यास (इंटरस्टिशियल, रिक्तियां, क्लस्टर) शामिल थे।
- एकीकरण: मॉडल लघु-दूरी के प्रतिकर्षण (short-range repulsion) को संभालने और अवास्तविक क्लस्टरिंग को रोकने के लिए ज़िग्लर-बियर्सैक-लिटमैन (ZBL) पोटेंशियल को एकीकृत करता है।
सिमुलेशन प्रोटोकॉल:
- सॉफ्टवेयर: सिमुलेशन GPUMD (GPU-एक्सेलेरेटेड मॉलिक्यूलर डायनामिक्स) का उपयोग करके किए गए।
- बुलबुला निर्माण: 600 K पर विभिन्न त्रिज्याओं (0.75 nm से 5 nm) के नैनोवॉइड्स में $H_2$ अणुओं के पुनरावृत्ति सम्मिलन (iterative insertion) के बाद, स्थिर-अवस्था बुलबुला दबाव तक पहुँचने के लिए स्ट्रक्चरल रिलैक्सेशन किया गया।
- मैकेनिकल टेस्टिंग: हाइड्रोजन सांद्रता (0 से ~5 at.%) वाले सिस्टम पर 600 K पर [100] दिशा में यूनिएक्सियल टेंसाइल टेस्ट किए गए ताकि फ्रैक्चर व्यवहार देखा जा सके।

3. मुख्य योगदान (Key Contributions)

NEP-WH का विकास: पहला MLP जो टंगस्टन-हाइड्रोजन बाइनरी सिस्टम को एम्पिरिकल पोटेंशियल की दक्षता बनाए रखते हुए DFT-तुलनीय सटीकता के साथ सटीक रूप से वर्णित कर सकता है। यह विशिष्ट रूप से निम्नलिखित को कैप्चर करता है:
- नैनोवॉइड्स में हाइड्रोजन ट्रैपिंग।
- वॉयड्स के भीतर $H_2$ अणु निर्माण और स्थिरता।
- उच्च-दबाव आंतरिक बुलबुला व्यवहार (लगभग ~20 GPa तक)।
कंप्यूटेशनल स्केलेबिलिटी: NEP-WH मॉडल एक सिंगल GPU पर $4.5 \times 10^6$ परमाणु-स्टेप्स/सेकंड की गति प्राप्त करता है, जो पिछले Deep Potential (DP) मॉडलों की तुलना में लगभग दो क्रम (two orders of magnitude) तेज़ है और >2 मिलियन परमाणुओं को सिम्युलेट करने में सक्षम है (समान परिस्थितियों में DP-WH की ~18k सीमा की तुलना में)।
एकत्रीकरण पथों (Aggregation Pathways) की खोज: हाइड्रोजन एकत्रीकरण के एक विशिष्ट, पहले अनपेक्षित तंत्र का खुलासा किया जिसमें प्लेनर क्लस्टर और हेक्सागोनल क्लोज-पैक्ड (HCP) चरण शामिल हैं।

4. मुख्य परिणाम (Key Results)

A. मॉडल सत्यापन (Model Validation)

सटीकता: NEP-WH मॉडल जालक मापदंडों (lattice parameters), लोच स्थिरांक (elastic constants), दोष निर्माण ऊर्जा और हाइड्रोजन समाधान/माइग्रेशन ऊर्जा को DFT के समान त्रुटियों (ऊर्जा के लिए RMSE: 4 meV/atom, बल के लिए 122 meV/Å) के साथ पुनरुत्पादित करता है।
एम्पिरिकल मॉडल्स पर श्रेष्ठता: एम्पिरिकल पोटेंशियल (EAM, BOP) और पिछले DP-WH मॉडल के विपरीत, NEP-WH रॉक-साल्ट हाइड्राइड संरचनाओं की ऊर्जावान स्थिरता और नैनोवॉइड्स के भीतर $H_2$ अणुओं के निर्माण की सही भविष्यवाणी करता है। यह एकमात्र मॉडल है जो उच्च दबाव (5–20 GPa) के तहत सही H-H रेडियल डिस्ट्रीब्यूशन फंक्शन (RDFs) को पुनरुत्पादित करने के लिए प्रमाणित है।

B. नैनोवॉइड्स में हाइड्रोजन बुलबुला विकास (Hydrogen Bubble Evolution in Nanovoids)

दबाव-त्रिज्या संबंध: सिमुलेशन ने पुष्टि की कि संतुलन बुलबुला दबाव और वॉयड त्रिज्या के बीच व्युत्क्रमानुपाती संबंध होता है ( $P \propto \gamma/R$ ), जो यंग-लाप्लास प्रमेय (Young-Laplace theorem) को प्रमाणित करने वाला मात्रात्मक डेटा प्रदान करता है।
एकत्रीकरण तंत्र (Aggregation Mechanism):
- अतिरिक्त हाइड्रोजन वॉयड सतह से मैट्रिक्स में विसरित (diffuse) होता है, जो अधिमानतः {100} क्रिस्टलोग्राफिक प्लेन के साथ एकत्रित होकर प्लेनर हाइड्रोजन क्लस्टर (टेट्राहेड्रल इंटरस्टिशियल साइट्स को घेरते हुए) बनाता है।
- ये क्लस्टर स्थानीय BCC-से-FCC चरण परिवर्तन (phase transition) को प्रेरित करते हैं।
- इन प्लेनर क्लस्टर्स के मिलन बिंदुओं पर, हाइड्रोजन-समृद्ध हेक्सागोनल क्लोज-पैक्ड (HCP) क्षेत्र बनते हैं, जो नए हाइड्रोजन ट्रैप के रूप में कार्य करते हैं जहाँ सांद्रता 1.3–1.5 H परमाणु प्रति W परमाणु तक होती है।

C. मैकेनिकल रिस्पॉन्स और एम्ब्रिटलमेंट (Mechanical Response and Embrittlement)

डक्टाइल-टू-ब्रिटल ट्रांजिशन: यूनिएक्सियल टेंशन सिमुलेशन ने सांद्रता-निर्भर संक्रमण को प्रकट किया।
- शुद्ध W (0 at.% H): विस्थापन उत्सर्जन (dislocation emission) और स्लिप के साथ डक्टाइल व्यवहार प्रदर्शित करता है।
- हाइड्रोजन-समृद्ध W: महत्वपूर्ण भंगुरता (embrittlement) दिखाता है। टेंसाइल स्ट्रेंथ ~27.5 GPa (शुद्ध) से गिरकर ~17.7 GPa (4.96 at.% H) हो जाती है, और अल्टीमेट स्ट्रेन ~0.12 से घटकर ~0.06 रह जाता है।
फ्रैक्चर तंत्र (Fracture Mechanism):
- हाइड्रोजन वॉयड सतह से विस्थापन उत्सर्जन को रोकता है।
- दरारें (cracks) अधिमानतः {100} प्लेनर हाइड्रोजन क्लस्टर्स के साथ उत्पन्न और प्रसारित होती हैं।
- कम सांद्रता: वॉयड केंद्र के माध्यम से सममित (symmetric) फ्रैक्चर।
- मध्यम सांद्रता: पूर्व-मौजूद प्लेनर क्लस्टर्स द्वारा निर्देशित असममित (asymmetric) फ्रैक्चर।
- उच्च सांद्रता: HCP चरण की कमी और प्लेनर क्लस्टर्स के ब्रिटल क्लीवेज के बीच परस्पर क्रिया द्वारा संचालित अत्यधिक असममित, एकदिशीय दरार प्रसार।

5. महत्व (Significance)

मौलिक अंतर्दृष्टि: यह कार्य टंगस्टन में प्रयोगात्मक रूप से देखे गए इंट्राग्रेनुलर ब्लिस्टर्स (intragranular blisters) के लिए पहला परमाणु स्पष्टीकरण प्रदान करता है, जो उन्हें सीधे {100} प्लेनर हाइड्रोजन क्लस्टर्स के निर्माण और उसके बाद होने वाले ब्रिटल क्लीवेज से जोड़ता है।
पूर्वानुमान क्षमता: NEP-WH मॉडल चरम वातावरण (जैसे फ्यूजन रिएक्टरों) में संरचनात्मक गिरावट के पूर्वानुमानित मॉडलिंग को सक्षम बनाता है, जो क्वांटम सटीकता और मैक्रोस्कोपिक सिमुलेशन स्केल के बीच के अंतर को पाटता है।
डिजाइन मार्गदर्शन: निष्कर्ष बताते हैं कि फ्यूजन घटकों में हाइड्रोजन-प्रेरित भंगुरता को कम करने के लिए {100} प्लेनर हाइड्रोजन क्लस्टर्स के निर्माण या उन्हें चलाने वाले आंतरिक दबाव के संचय को रोकने वाली रणनीतियों की आवश्यकता है।
मेथोडोलॉजिकल प्रगति: यह जटिल सामग्रियों विज्ञान की समस्याओं को हल करने के लिए एक्टिव-लर्निंग-संचालित NEP फ्रेमवर्क की शक्ति को प्रदर्शित करता है, जो मल्टी-स्केल परिघटनाओं (इलेक्ट्रॉनिक संरचना से लेकर फ्रैक्चर मैकेनिक्स तक) को कवर करता है।