Composition design of refractory compositionally complex alloys using machine learning models

Dit artikel presenteert een geïntegreerd machine learning-kader dat de ontwerpruimte van vuurvaste composietcomplexen legeringen (RCCA's) efficiënt verkent door de relatie tussen samenstelling en fase-stabiliteit en mechanische eigenschappen te modelleren, waardoor de ontdekking van nieuwe hoogtemperatuurmaterialen wordt versneld.

De kern

Stel je voor dat je een kok bent die de ultieme soep wil maken. Maar in plaats van een paar ingrediënten, heb je een enorme kast met 75 verschillende kruiden en groenten. Je wilt een recept vinden dat niet alleen lekker is, maar ook bestand is tegen de hitte van een vulkaan (want dit gaat over materialen die bij extreem hoge temperaturen moeten werken).

Het probleem? Er zijn 592 miljard mogelijke combinaties van deze ingrediënten. Als je elke combinatie één voor één zou proberen in een laboratorium, zou het je duizenden jaren kosten. Je zou je hele leven kwijt zijn voordat je de perfecte soep hebt.

Dit is precies het probleem waar wetenschappers zich mee bezig houden bij het ontwerpen van nieuwe metalen, zogenaamde Refractaire Composiet Alloys (RCCA's). Deze metalen zijn de toekomst voor bijvoorbeeld raketmotoren en gascentrales, maar ze zijn zo complex dat ze moeilijk te vinden zijn.

In dit artikel vertellen onderzoekers hoe ze dit probleem oplossen met een slimme combinatie van wiskunde, computermodellen en kunstmatige intelligentie (AI). Hier is hoe ze dat doen, vertaald naar een begrijpelijk verhaal:

1. De Grote Landkaart (Het Ontwerp)

Stel je voor dat je een enorme landkaart hebt van alle mogelijke metalenrecepten. De onderzoekers hebben deze kaart ingevuld met 43.425 specifieke combinaties van 9 verschillende metalen (zoals Titanium, Niobium, Tantalum, etc.).

In het verleden moesten wetenschappers hierover "gokken" of dure computersimulaties draaien die dagen duurden. Deze onderzoekers hebben echter een slimme routeplanner gebouwd.

2. De Twee Slimme Assistenten

Om de perfecte metaal te vinden, gebruiken ze twee soorten "assistenten" die samenwerken:

• Assistent 1: De Thermodynamische Voorspeller (De "Stabiliteits-check")
  Deze assistent kijkt naar de chemie. Hij vraagt zich af: "Als ik deze metalen meng, blijven ze een stabiele, sterke blokkade (een kristalstructuur) vormen, of gaan ze uit elkaar vallen in slechte, broze stukjes?"
  Ze gebruiken hiervoor een combinatie van geavanceerde theorieën en databases. Het is alsof ze een voorspelling doen over of een bouwwerk van blokken zal instorten of stevig blijft staan, zonder het echt te hoeven bouwen.

• Assistent 2: De Machine Learning Expert (De "Kracht-meter")
  Deze assistent is getraind op echte experimenten die anderen in het verleden hebben gedaan. Hij leert patronen: "Ah, als er veel Tantalum in zit, wordt het metaal harder bij hoge temperaturen. Als er veel Titanium in zit, wordt het buigzamer."
  Omdat er niet genoeg echte data is om alles te leren, hebben ze de computer "slimmer" gemaakt door hem te leren volgens de natuurwetten (theorie). Zo kan hij betrouwbaar voorspellen hoe sterk het metaal is, zelfs bij temperaturen van 2000 graden Celsius.

3. De "On-Demand" Ontwerper

Het echte toverwerk is een digitaal hulpmiddel dat ze hebben gebouwd: de "On-Demand Designer".

Stel je voor dat je een app op je telefoon hebt. Je zegt: *"Ik wil een metaal dat:

1. Niet instort bij 1500 graden.
2. Zacht genoeg is om niet te breken, maar hard genoeg om niet te vervormen.
3. Niobium en Titanium bevat."*

Deze app scant direct de enorme landkaart van 43.000+ combinaties. In een flits filtert hij alle slechte opties eruit en geeft je een lijstje met de top 5 perfecte recepten.

Wat hebben ze ontdekt?

Door deze methode te gebruiken, hebben ze enkele belangrijke "kooktips" voor metalen ontdekt:

• Niobium (Nb) is als de lijm: het zorgt ervoor dat de metalen samen blijven in de juiste structuur (de BCC-fase).
• Chroom (Cr) is een lastige gast: als je er te veel van toevoegt, wordt het metaal onstabiel en broos.
• Titanium (Ti) is de redder in nood voor buigzaamheid: het maakt het metaal minder breekbaar.
• Wolfraam (W) en Molybdeen (Mo) zorgen voor extreme hardheid, maar maken het metaal wel stijver.

Waarom is dit belangrijk?

Vroeger duurde het vinden van een nieuw, beter metaal jaren van proef en fout. Met dit nieuwe systeem kunnen onderzoekers jaren aan werk in seconden doen. Ze kunnen nu direct naar het laboratorium gaan en alleen de meest veelbelovende metalen testen.

Het is alsof je van het blind zoeken in een donkere berg met goud overgaat naar het hebben van een metaaldetector die je precies vertelt waar je moet graven. Dit versnelt de ontwikkeling van nieuwe materialen voor de toekomst, zoals snellere vliegtuigen en efficiëntere energiecentrales.

Kortom: Ze hebben een slimme digitale "chef" gebouwd die duizenden recepten in een oogwenk test, zodat we sneller de sterkste en beste metalen voor de toekomst kunnen vinden.

Technische samenvatting

Titel: Ontwerp van samenstellingen van vuurvaste composiet complexe legeringen met behulp van machine learning-modellen

Auteurs: Tao Liang, Eric A. Lass, Haochen Zhu, et al. (Haixuan Xu*)
Instituut: Universiteit van Tennessee, Knoxville (UTK)

---

1. Het Probleem

Vuurvaste composiet complexe legeringen (RCCAs) worden beschouwd als de volgende generatie hoogtemperatuurmateriaal met uitstekende prestaties bij extreme temperaturen. De ontwikkeling van deze legeringen wordt echter gehinderd door de enorme complexiteit van hun samenstellingsruimte.

• Dimensionaliteit: Met 3 tot 6 hoofdelementen geselecteerd uit 75 veelvoorkomende metalen, kunnen er tot 592 miljard unieke samenstellingen worden gevormd.
• Beperkingen van bestaande methoden:
  • Traditionele experimenten: Te traag en kostbaar om deze ruimte systematisch te verkennen.
  • DFT (Density Functional Theory): Hoewel nauwkeurig, is het computationally te duur voor het volledig verkennen van grote supercellen die nodig zijn voor willekeurige legeringen.
  • CalPHAD: Betrouwbaar, maar vaak beperkt door de beschikbaarheid van experimentele databases, vooral voor intermetallische fasen (IM) zoals Laves en B2.
  • Analytische modellen voor mechanische eigenschappen: Vaak te vereenvoudigd en niet in staat om niet-lineaire responsen en onderliggende fysica correct te modelleren.

Er is een geïntegreerd raamwerk nodig dat de hoge-dimensionaliteit van de samenstellingsruimte efficiënt kan navigeren om zowel thermodynamische stabiliteit als mechanische eigenschappen te voorspellen.

2. Methodologie

De auteurs hebben een geïntegreerd ontwerpraamwerk ontwikkeld dat bestaat uit twee hoofdcomponenten: een thermodynamische module voor fase-stabiliteit en een machine learning (ML) module voor mechanische eigenschappen.

A. Thermodynamische Eigenschappen en Fase-stabiliteit

Om de stabiliteit van de gewenste body-centered cubic (BCC) fase te bepalen ten opzichte van concurrerende fasen (HCP, Laves, B2), werd een hybride benadering gebruikt:

1. CalPHAD (ThermoCalc): Gebruikt voor het berekenen van thermodynamische eigenschappen (Gibbs vrije energie, enthalpie) van enkelvoudige vaste oplossingen (SS) in binaire en ternaire systemen.
2. Component Expansion (CE): Een methode om thermodynamische eigenschappen van hogere componenten (quaternair tot nonaair) te extrapoleren vanuit de lagere component systemen.
3. DFT (Density Functional Theory): Gebruikt voor het berekenen van de vormingsenthalpie ($\Delta H$) van intermetallische fasen (Laves en B2), aangezien CalPHAD-databases hier vaak tekortschieten.
   • Laves-fasen: Atomen met een grotere straal worden toegewezen aan de A-subrooster, kleinere aan de B-subrooster.
   • B2-fasen: Een nieuwe Sequential Pair Deployment (SPD) strategie werd ontwikkeld om de optimale bezetting van subroosters te bepalen op basis van de vormingsenergie.
4. Fase-stabiliteitscriteria: De stabiliteit wordt bepaald door het vergelijken van de Gibbs vrije energie van de BCC-fase met die van HCP, Laves en B2 fasen.

B. Machine Learning voor Mechanische Eigenschappen

Om de mechanische eigenschappen te voorspellen, werden ML-modellen getraind op een beperkte experimentele database, verrijkt met theoretische inzichten.

1. Doelvariabelen: Temperatuurafhankelijke vloeigrens ($\sigma_y$), Vickers-hardheid ($H_V$) en compressie bij breuk ($\varepsilon_f$).
2. Data Augmentatie: Omdat experimentele data bij zeer hoge temperaturen schaars is, werd het theoretische Maresca-Curtin (MC) model gebruikt om de vloeigrens te extrapoleren tot 2000 K. Dit vergrootte de dataset aanzienlijk.
3. Feature Selectie (Theory-Guided):
   • Er werden >30 kenmerken (features) berekend (o.a. atoomvolume, elasticiteitsmoduli, elektronegativiteit).
   • Een Forward Sequential Feature Selection (SFS) methode werd toegepast om de meest informatieve kenmerken te selecteren.
   • Een "theorie-gestuurde" strategie werd gebruikt om te zorgen dat de kenmerken in de trainingsdata (experimenteel) goed overeenkwamen met de kenmerken in de doelruimte (exhaustieve samenstellingsruimte), waardoor de overdraagbaarheid van het model werd verbeterd.
4. Model: Een Gradient Boosting Regression (GBR) model werd getraind en gevalideerd.

C. "On-Demand Designer"

Het systeem combineert een Predictor (voorspelt eigenschappen voor elke willekeurige samenstelling) en een Screener (filtert samenstellingen op basis van aangepaste criteria) om de zoekruimte te verkleinen.

3. Belangrijkste Resultaten

• Voorspellende Nauwkeurigheid: Het ML-model voor de temperatuurafhankelijke vloeigrens bereikte een $R^2$-waarde van 0,98 over het volledige temperatuurbereik (0 tot 2000 K). De gemiddelde absolute fout (MAE) bedroeg slechts 54,2 MPa (ongeveer 6,4%).
• Fase-Stabiliteit Analyse:
  • De component-expansie en SPD-methoden bleken effectief om de thermodynamische eigenschappen van complexe multicomponent systemen te schatten zonder directe DFT-berekeningen voor elk punt.
  • Nb (Niobium) werd geïdentificeerd als een cruciaal element voor het stabiliseren van de BCC-fase.
  • Cr (Chroom) bleek over het algemeen schadelijk voor de stabiliteit van de BCC-vaste oplossing en neigt tot het vormen van Laves-fasen.
• Invloed van Elementen (SHAP-analyse):
  • Vloeigrens: Elementen van Groep VI (Cr, Mo, W) verhogen de vloeigrens, maar verminderen de ductiliteit. Ta (Tantaal) heeft door zijn hoge smeltpunt een zeer positief effect op de vloeigrens bij hoge temperaturen.
  • Ductiliteit: Ti (Titanium) is het enige element dat de ductiliteit van RCCA's duidelijk verbetert.
  • Trade-off: Er is een duidelijke "yield strength-ductility paradox": elementen die de sterkte verhogen, verminderen vaak de vervormbaarheid.
• Ontwerp van Nieuwe Legeringen: Het raamwerk werd succesvol toegepast om een lijst van veelbelovende equiatomische samenstellingen te genereren die voldoen aan strikte criteria (BCC-stabiliteit, hoge vloeigrens bij 1500 K, en goede ductiliteit). Voorbeelden zijn legeringen zoals TiNbMoHfTa en TiVNbTaW.

4. Bijdragen en Innovatie

• Geïntegreerd Framework: De eerste studie die CalPHAD, DFT, component-expansie en machine learning combineert in één workflow voor het ontwerp van RCCA's.
• Theorie-Gestuurde ML: In plaats van puur data-gedreven te zijn, integreert het model fysica (via het MC-model voor data-augmentatie en theorie-gestuurde feature-selectie) om de beperkingen van kleine datasets te overwinnen.
• Nieuwe Algoritmen: Introductie van de Sequential Pair Deployment (SPD) methode voor het bepalen van subrooster-bezetting in B2-fasen en de Component Expansion (CE) voor intermetallische fasen.
• Schaalbaarheid: Het systeem kan de volledige "exhaustive composition space" van 43.425 unieke samenstellingen (van ternair tot nonaair) binnen de 9 geselecteerde vuurvaste metalen (Ti, V, Cr, Zr, Nb, Mo, Hf, Ta, W) in één keer evalueren.

5. Betekenis en Toekomstperspectief

Deze studie biedt een krachtig instrument voor de versnelling van materiaalontdekking. Door de "On-Demand Designer" kunnen onderzoekers:

1. De experimentele zoekruimte drastisch verkleinen door alleen de meest veelbelovende samenstellingen te testen.
2. De relatie tussen samenstelling en eigenschappen begrijpen op een schaal die met traditionele methoden onmogelijk was.
3. Specifiek ontwerpen voor toepassingen bij ultra-hoge temperaturen, wat essentieel is voor de lucht- en ruimtevaart en energie-industrie.

De output van dit raamwerk dient als directe leidraad voor combinatorische experimentele studies (zoals dunne-film sputtering), waardoor de cyclus van ontwerp naar validatie aanzienlijk wordt verkort.