🔬 materials science

Phase-field simulations of nucleation, growth, and coarsening of $\beta_1$ precipitates in Mg-Nd alloys

यह अध्ययन एक पैरामीटराइज्ड फेज़-फील्ड सिमुलेशन वर्कफ़्लो प्रस्तुत करता है जो Mg-Nd मिश्र धातुओं में $\beta_1$ अवक्षेपों (precipitates) के न्यूक्लिएशन, विकास और कोर्सनिंग को मात्रात्मक रूप से मॉडल करने के लिए एटम प्रोब टॉमोग्राफी और ट्रांसमिशन इलेक्ट्रॉन माइक्रोस्कोपी से प्राप्त प्रयोगात्मक डेटा को एकीकृत करता है, जिससे लक्षित अवक्षेप घनत्व प्राप्त करने के लिए एजिंग प्रक्रियाओं के अनुकूलन को सक्षम बनाया जा सके।

मूल लेखक: Lingxia Shi (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), Stephen DeWitt (Department of Materials Science and Engineering, University of Mich

प्रकाशित 2026-09-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lingxia Shi (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), Stephen DeWitt (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), David Montiel (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), Qianying Shi (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), John Allison (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States), Katsuyo Thornton (Department of Materials Science and Engineering, University of Michigan, Ann Arbor, MI, United States, Department of Nuclear Engineering and Radiological Sciences, University of Michigan, Ann Arbor, MI, United States)

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया 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

धातुएं शायद ही कभी शुद्ध तत्व होती हैं; वे अक्सर मिश्रण या मिश्र धातु (अलॉय) होती हैं, जिन्हें उनके मूल घटकों की तुलना में अधिक मजबूत और हल्का बनाने के लिए डिज़ाइन किया जाता है। उदाहरण के लिए, मैग्नीशियम को इंजीनियरों द्वारा इसके कम वजन के कारण सराहा जाता है, जो इसे ईंधन-कुशल कारों और विमानों के लिए एक उपयुक्त विकल्प बनाता है। हालांकि, शुद्ध मैग्नीशियम कई संरचनात्मक उपयोगों के लिए बहुत नरम होता है। इसे ठीक करने के लिए, वैज्ञानिक इसमें अन्य तत्वों, जैसे कि नियोडिमियम (neodymium) जैसे दुर्लभ-पृथ्वी धातुओं की थोड़ी मात्रा मिलाते हैं। जब इन मिश्र धातुओं को गर्म किया जाता है और फिर धीरे-धीरे ठंडा किया जाता है, तो धातु के भीतर छोटे, प्लेट जैसे क्रिस्टल बनते हैं। ये क्रिस्टल सूक्ष्म सुदृढीकरण (microscopic reinforcements) के रूप में कार्य करते हैं, जो धातु की संरचना को अपनी जगह पर लॉक कर देते हैं और इसे मुड़ने या टूटने से काफी अधिक मजबूत बना देते हैं। अंतिम सामग्री की मजबूती पूरी तरह से इस बात पर निर्भर करती है कि कितने क्रिस्टल बनते हैं, वे कितने बड़े होते हैं, और वे एक-दूसरे से कितनी दूरी पर स्थित होते हैं। यदि क्रिस्टल बहुत कम हैं, तो धातु कमजोर रहती है; यदि वे बहुत बड़े या गुच्छों में हैं, तो धातु भंगुर (brittle) हो सकती है। ये क्रिस्टल वास्तव में कैसे दिखाई देते हैं और समय के साथ कैसे बढ़ते हैं, इसे समझना बेहतर, हल्के और मजबूत सामग्रियां डिजाइन करने की कुंजी है।

द दशकों से, शोधकर्ता इस प्रक्रिया की भविष्यवाणी करने के लिए कंप्यूटर मॉडल का उपयोग करने का प्रयास कर रहे हैं, लेकिन यह कार्य अत्यंत कठिन रहा है। इन क्रिस्टलों के न्यूक्लिएशन (nucleation), यानी शून्य से प्रकट होने, और फिर बढ़ने की भौतिकी जटिल है, जिसमें रासायनिक बलों और यांत्रिक तनावों का मिश्रण शामिल है। अक्सर, मॉडलों में धातु के भीतर की सटीक स्थितियों पर सटीक डेटा की कमी होती है, जिससे वैज्ञानिक उस प्रक्रिया को चलाने वाले नियमों का अनुमान लगाने के लिए मजबूर होते हैं। हाल ही में, मिशिगन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक वास्तविक दुनिया के माप और कंप्यूटर सिमुलेशन के बीच एक सेतु बनाकर इस समस्या का समाधान किया। उन्होंने एक विशिष्ट मैग्नीशियम-नियोडिमियम मिश्र धातु पर ध्यान केंद्रित किया, जिसका लक्ष्य एक डिजिटल मॉडल बनाना था जो सुदृढ़ीकरण करने वाले क्रिस्टलों, जिन्हें बीटा-वन प्रिसिपिटेट्स (beta-one precipitates) कहा जाता है, के जन्म और विकास को सटीक रूप से पुनरुत्पादित कर सके, बिना पहले से यह जाने कि अंतर्निहित भौतिकी का हर एक विवरण क्या है।

शोधकर्ताओं ने मैग्नीशियम मिश्र धातु के नमूने तैयार किए और उन्हें तीन घंटे से नौ घंटे तक की विभिन्न अवधियों के लिए एक विशिष्ट तापमान पर 'एजिंग' (aging) की प्रक्रिया से गुजारा। प्रत्येक एजिंग अवधि के बाद, उन्होंने धातु के आंतरिक भाग की उच्च-रिज़ॉल्यूशन वाली छवियां लेने के लिए शक्तिशाली सूक्ष्मदर्शी (microscopes) का उपयोग किया। चूंकि धातु के नमूनों को देखने के लिए अत्यंत पतली चादरों में काटा गया था, इसलिए छवियों ने केवल क्रिस्टल के द्वि-आयामी (2D) क्रॉस-सेक्शन को ही दिखाया। वास्तविक त्रि-आयामी (3D) वास्तविकता को समझने के लिए, टीम ने एक गणितीय विधि का उपयोग किया जिससे उन्होंने चपटी छवियों में जो देखा, उसके आधार पर धातु के पूर्ण आयतन (volume) में मौजूद क्रिस्टलों की संख्या का अनुमान लगाया। उन्होंने क्रिस्टल बनने के दौरान क्रिस्टल के आसपास की धातु की रासायनिक संरचना को भी मापा ताकि यह देखा जा सके कि नियोडिमियम की सांद्रता कैसे बदलती है।

इन वास्तविक दुनिया के आंकड़ों के साथ, टीम कंप्यूटर सिमुलेशन की ओर बढ़ी। उन्होंने एक डिजिटल मॉडल बनाया जो धातु के व्यवहार की नकल करता है, जिससे क्रिस्टल बेतरतीब ढंग से प्रकट हो सकते हैं और समय के साथ बढ़ सकते हैं। हालांकि, क्योंकि न्यूक्लिएशन की भौतिकी अज्ञात कारकों के प्रति बहुत संवेदनशील है, वे केवल मानक पाठ्यपुस्तक मानों (textbook values) को इसमें नहीं डाल सकते थे। इसके बजाय, उन्होंने मॉडल को ट्यून करने के लिए एक चरण-दर-चरण वर्कफ़्लो विकसित किया। सबसे पहले, उन्होंने नए क्रिस्टल के प्रकट होने की गति के नियमों को तब तक समायोजित किया जब तक कि सिमुलेशन ने क्रिस्टलों की ऐसी संख्या उत्पन्न नहीं की जो उनके प्रयोगात्मक अनुमानों से मेल खाती हो। इसके बाद, उन्होंने परमाणुओं के धातु के माध्यम से गति करने की गति, जिसे डिफ्यूसिविटी (diffusivity) कहा जाता है, को सूक्ष्म रूप से ट्यून किया ताकि यह सुनिश्चित हो सके कि क्रिस्टल सही गति से बढ़ रहे हैं और सिकुड़ रहे हैं। इस प्रक्रिया में सिमुलेशन को कई बार चलाना शामिल था, जिसमें हर बार सेटिंग्स को थोड़ा समायोजित किया गया, जब तक कि डिजिटल क्रिस्टल वास्तविक धातु की तरह व्यवहार न करने लगे जैसा कि सूक्ष्मदर्शी के नीचे देखा गया था।

परिणामों ने दिखाया कि ट्यून किया गया मॉडल क्रिस्टलों के पूरे जीवन चक्र को सफलतापूर्वक कैप्चर कर सकता है। एजिंग के शुरुआती चरणों में, सिमुलेशन ने नए क्रिस्टलों की एक तीव्र लहर दिखाई, जिससे क्रिस्टलों की संख्या तेजी से बढ़ी। जैसे-जैसे समय बीता, मॉडल ने सही भविष्यवाणी की कि यह संख्या अपने शिखर पर पहुंचेगी और फिर गिरना शुरू हो जाएगी। यह गिरावट इसलिए होती है क्योंकि बड़े क्रिस्टल छोटे क्रिस्टलों की कीमत पर बढ़ते हैं, जिसे 'कोर्सनिंग' (coarsening) कहा जाता है, जहाँ धातु अपनी कुल सतह ऊर्जा को कम करने का प्रयास करती है। सिमुलेशन ने क्रिस्टलों के विशिष्ट आकार और ओरिएंटेशन को भी पुनरुत्पादित किया, जिसमें उन्हें तीन अलग-अलग दिशाओं में संरेखित फ्लैट प्लेटों के रूप में दिखाया गया, जैसा कि वास्तविक धातु में देखा गया है। इसके अलावा, मॉडल ने सटीक रूप से ट्रैक किया कि क्रिस्टल बनने के साथ आसपास की धातु में नियोडिमियम की सांद्रता कैसे कम हुई, जो वास्तविक नमूनों से लिए गए मापों से मेल खाता है।

इस कार्य का सबसे महत्वपूर्ण पहलू यह है कि इसने प्रयोगशाला में ली गई द्वि-आयामी छवियों और धातु की त्रि-आयामी वास्तविकता के बीच के अंतर को कैसे संभाला। शोधकर्ताओं ने एक रणनीति का प्रदर्शन किया जिससे चपटे, क्रॉस-सेक्शनल डेटा को प्रभावी संख्याओं में बदला जा सके जिनका उपयोग एक द्वि-आयामी कंप्यूटर मॉडल कर सके। इसने उन्हें एक प्रबंधनीय पैमाने पर सिमुलेशन चलाने की अनुमति दी, जबकि अभी भी त्रि-आयामी प्रणाली के आवश्यक भौतिक विज्ञान को कैप्चर किया जा सका। हालांकि यह मॉडल पूर्ण नहीं है और क्रिस्टलों के बीच होने वाली हर संभव अंतःक्रिया (interaction) को ध्यान में नहीं रखता है, फिर भी यह भविष्यवाणी करने के लिए एक मजबूत ढांचा प्रदान करता है कि सूक्ष्म संरचना (microstructure) कैसे विकसित होती है। अध्ययन सुझाव देता है कि सटीक प्रयोगात्मक डेटा को सावधानीपूर्वक ट्यून किए गए सिमुलेशन के साथ जोड़कर, वैज्ञानिक केवल अनुमान लगाने के बजाय विशिष्ट सामग्री गुणों को प्राप्त करने के लिए सर्वोत्तम एजिंग समय की विश्वसनीय भविष्यवाणी करना शुरू कर सकते हैं। यह दृष्टिकोण मैग्नीशियम मिश्र धातुओं को अनुकूलित करने के लिए एक स्पष्ट मार्ग प्रदान करता है, जो भविष्य में हल्के वाहनों और अधिक कुशल इंजनों की ओर ले जा सकता है।

समस्या विवरण
मैग्नीशियम-दुर्लभ-तत्व (Mg–RE) मिश्र धातुओं, विशेष रूप से Mg–Nd प्रणालियों की अवक्षेपण-कठोरता (precipitation-hardening) प्रतिक्रिया, एजिंग के दौरान बनने वाले अवक्षेपों (precipitates) के स्थानिक वितरण और आकारिकी (morphology) द्वारा नियंत्रित होती है। यद्यपि फेज़-फील्ड सिमुलेशन ने अवक्षेप विकास की समझ को उन्नत किया है, फिर भी भविष्य कहनेवाला मॉडलिंग (predictive modeling) प्रमुख ऊष्मप्रवैगिकी (thermodynamic) और गतिक (kinetic) मापदंडों की अनिश्चितता या अभाव के कारण चुनौतीपूर्ण बना हुआ है। एक विशिष्ट कठिनाई सिमुलेशन परिणामों की प्रयोगात्मक डेटा के साथ तुलना करने में निहित है: प्रयोग आमतौर पर द्वि-आयामी (2D) क्रॉस-सेक्शनल डेटा (जैसे, ट्रांसमिशन इलेक्ट्रॉन माइक्रोस्कोपी, TEM) प्रदान करते हैं, जबकि सटीक भौतिक प्रतिनिधित्व के लिए त्रि-आयामी (3D) मॉडलिंग की आवश्यकता होती है। हालाँकि, Mg–Nd मिश्र धातुओं में $\beta_1$ जैसे अत्यधिक अनिसोट्रोपिक (anisotropic) अवक्षेपों वाले सिस्टम के लिए पूर्ण 3D फेज़-फील्ड सिमुलेशन गणनात्मक रूप से अत्यधिक खर्चीले (prohibitive) हैं। इसके अतिरिक्त, वांछित यांत्रिक गुणों के लिए एजिंग स्थितियों को अनुकूलित करने हेतु सभी एजिंग चरणों (न्यूक्लिएशन, विकास और कोर्सनिंग) में अवक्षेप संख्या घनत्व (number density) के विकास को सफलतापूर्वक मॉडल करने वाले बहुत कम अध्ययन उपलब्ध हैं।

कार्यप्रणाली
लेखकों ने 523 K पर एज की गई Mg–Nd मिश्र धातुओं में $\beta_1$ अवक्षेपों के स्टोकेस्टिक न्यूक्लिएशन (stochastic nucleation), विकास और कोर्सनिंग के लिए एक 2D फेज़-फील्ड मॉडल को पैरामीटराइज करने हेतु एक एकीकृत प्रयोगात्मक और गणनात्मक वर्कफ़्लो विकसित किया।

प्रयोगात्मक लक्षण वर्णन (Experimental Characterization):
- अवक्षेप संख्या घनत्व (Precipitate Number Density): विभिन्न एजिंग समय (3 घंटे से 9 घंटे) पर उच्च-रिज़ॉल्यूशन TEM चित्र प्राप्त किए गए। चूंकि TEM 2D क्रॉस-सेक्शन प्रदान करता है, इसलिए 2D गणनाओं और फॉयल मोटाई से 3D संख्या घनत्व ( $N_V$ ) का अनुमान लगाने के लिए एक स्टेरियोलॉजिकल विधि (सोनडेरेगर सुधार) लागू की गई। इन 3D घनत्वों को फिर "प्रभावी" 2D संख्या घनत्वों ( $N_A$ ) में परिवर्तित किया गया, जिससे विशिष्ट अंतर-कण दूरी ( $\lambda$ ) को संरक्षित रखा गया, यह मानते हुए कि $N_A = N_V^{2/3}$ ।
- मैट्रिक्स संरचना (Matrix Composition): विभिन्न एजिंग समय पर मैट्रिक्स में Nd संरचना को मापने के लिए एटम प्रोब टोमोग्राफी (APT) का उपयोग किया गया, जो विलेय रिक्तीकरण (solute depletion) पर डेटा प्रदान करता है।
फेज़-फील्ड मॉडलिंग (Phase-Field Modeling):
- एक 2D फेज़-फील्ड मॉडल को PRISMS-PF फ्रेमवर्क का उपयोग करके कार्यान्वित किया गया। मॉडल संरचनात्मक ऑर्डर पैरामीटर के साथ संरचना (composition) को जोड़ने के लिए किम-किम-सुजुकी (KKS) फॉर्मूलेशन का उपयोग करता है।
- तीन ऑर्डर पैरामीटर $\beta_1$ चरण के तीन पत्राचार वेरिएंट (correspondence variants) का प्रतिनिधित्व करते हैं, जो जाली विरूपण (lattice deformation) और लोचदार विकृति ऊर्जा (elastic strain energy) को कैप्चर करते हैं।
- मॉडल में क्लासिकल न्यूक्लिएशन थ्योरी पर आधारित एक स्टोकेस्टिक न्यूक्लियस सीडिंग विधि को जोड़ा गया, ताकि सहवर्ती न्यूक्लिएशन और विकास का अनुकरण किया जा सके। न्यूक्लिएशन दर स्थानीय अति-संतृप्ति (supersaturation) पर निर्भर करती है।
पैरामीटराइजेशन वर्कफ़्लो (Parameterization Workflow):
- न्यूक्लिएशन मापदंडों (ज़ेल्डोविच फैक्टर, अटैचमेंट फ्रीक्वेंसी, इंटरफेशियल एनर्जी) की अनिश्चितताओं के कारण, एक बहु-चरणीय अनुकूलन (multi-step optimization) का उपयोग किया गया।
- चरण 1: प्रयोगात्मक 3D डेटा से प्रभावी 2D संख्या घनत्व प्राप्त किए गए।
- चरण 2: प्रयोगात्मक संख्या घनत्व रुझानों से मेल खाने के लिए न्यूक्लिएशन दर मापदंडों ( $\rho_1, \rho_2, \tau_{in}$ ) को शुरू में एक सरलीकृत समान-अति-संतृप्ति (uniform-supersaturation) मॉडल का उपयोग करके अनुकूलित किया गया।
- चरण 3: डिफ्यूसिविटी (diffusivity) का अनुमान साहित्य के मानों के आधार पर लगाया गया और कोर्सनिंग की दर से मेल खाने के लिए इसे परिष्कृत किया गया।
- चरण 4: समान-अति-संतृप्ति धारणा की सीमाओं को ध्यान में रखते हुए, पूर्ण फेज़-फील्ड सिमुलेशन और प्रयोगात्मक डेटा के बीच बेहतर सामंजस्य के लिए एक टाइम-स्केल करेक्शन फैक्टर ( $\xi$ ) को गतिक मापदंडों ( $\rho_1, D, \tau_{in}$ ) पर लागू किया गया।

प्रमुख परिणाम

मात्रात्मक समझौता (Quantitative Agreement): पैरामीटराइज्ड मॉडल ने अवक्षेप संख्या घनत्व के विकास को सफलतापूर्वक पुनरुत्पादित किया, जिसमें न्यूक्लिएशन चरण के दौरान तीव्र वृद्धि और उसके बाद कोर्सनिंग के दौरान होने वाली कमी को कैप्चर किया गया। सिम्युलेटेड संख्या घनत्व प्रभावी 2D प्रयोगात्मक डेटा के साथ उचित सहमति दिखाते हैं।
सूक्ष्म संरचनात्मक विकास (Microstructural Evolution): सिमुलेशन ने $\beta_1$ अवक्षेपों की प्लेट जैसी आकारिकी को पुनरुत्पादित किया और उनके छह विशिष्ट विकास दिशाओं (दो रोटेशन वेरिएंट के साथ तीन पत्राचार वेरिएंट) को दर्शाया, जो प्रयोगात्मक अवलोकनों के अनुरूप है। मॉडल ने स्पष्ट इंटरफेशियल ऊर्जा एनिसोट्रॉपी के बिना, इसके बजाय एनिसोट्रोपिक इलास्टिक गुणों पर भरोसा करते हुए यह उपलब्धि हासिल की।
मैट्रिक्स संरचना (Matrix Composition): मैट्रिक्स में औसत Nd संरचना का सिम्युलेटेड मान APT मापों के साथ अच्छी तरह से संरेखित हुआ, जो अधिकांश डेटा बिंदुओं के लिए सांख्यिकीय अनिश्चितताओं के भीतर है।
गतिक चरण (Kinetic Stages): मॉडल ने न्यूक्लिएशन से विकास और अंततः कोर्सनिंग के संक्रमण को कैप्चर किया। इसने प्रदर्शित किया कि कैसे स्थानीय विलेय रिक्तीकरण (solute depletion) विकास दरों को प्रभावित करता है, जहाँ विलेय-समृद्ध क्षेत्रों में अवक्षेप बड़े होते हैं, जबकि विलेय-विहीन क्षेत्रों में वे रुक जाते हैं या घुल जाते हैं।

महत्व और दावे
यह शोध दावा करता है कि यह कार्य उन चुनौतियों को दूर करने के लिए एक मजबूत रणनीति प्रदर्शित करता है जो तब उत्पन्न होती हैं जब प्रमुख भौतिक मापदंड अनिश्चित या अज्ञात होते हैं। 3D वास्तविकता से प्रभावी 2D मापदंडों को प्राप्त करने के लिए प्रयोगात्मक डेटा का उपयोग करके, लेखकों ने एक गणनात्मक रूप से कुशल ढांचा तैयार किया जो पूर्ण 3D सिमुलेशन की अत्यधिक लागत से बचता है, फिर भी आवश्यक भौतिक व्यवहारों को कैप्चर करता है।

लेखक कहते हैं कि यह मान्य मॉडल प्रक्रिया-संरचना संबंधों (process-structure relationships) की भविष्यवाणी करने में सक्षम बनाता है, जिससे लक्षित अवक्षेप संख्या घनत्व प्राप्त करने के लिए एजिंग समय को अनुकूलित किया जा सकता है। वे अपनी सीमाओं को स्वीकार करते हुए बताते हैं कि 2D सिमुलेशन पूरी तरह से 3D विसरण संबंधी अंतःक्रियाओं (diffusional interactions) को कैप्चर नहीं कर सकते हैं, और प्रारंभिक समान-अति-संतृप्ति अनुकूलन से उप-इष्टतम (suboptimal) पैरामीटर सेट मिल सकते हैं। हालाँकि, वे निष्कर्ष निकालते हैं कि यह वर्कफ़्लो Mg–Nd मिश्र धातुओं के लिए एजिंग स्थितियों को अनुकूलित करने के लिए एक आधार प्रदान करता है और इसे अन्य Mg–RE सिस्टम और विभिन्न एजिंग स्थितियों के लिए विस्तारित किया जा सकता है। वे सुझाव देते हैं कि भविष्य के सुधारों में उच्च समय-रिज़ॉल्यूशन वाला प्रयोगात्मक डेटा और पैरामीटर स्पेस अन्वेषण के लिए बेयसियन (Bayesian) विधियों का समावेश शामिल हो सकता है।

इसी तरह के और पेपर