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

Resumo Técnico: Regras de Design de Ductilidade para Ligas de Alta Entropia Refratárias à Base de Tungstênio a partir de Conjuntos de Dados Experimentais Escassos

Definição do Problema
O Tungstênio (W) é um candidato crítico para componentes de interface com o plasma em reatores de fusão devido ao seu alto ponto de fusão, condutividade térmica e baixo rendimento de pulverização (sputtering yield). No entanto, sua alta temperatura de transição dúctil-frágil (DBTT) intrínseca, tipicamente próxima a 400°C, limita severamente sua tenacidade durante o desligamento e manuseio do reator. A irradiação por nêutrons agrava ainda mais a fragilidade ao gerar defeitos de rede e reduzir a condutividade térmica. Embora as Ligas de Alta Entropia Refratárias (RHEAs) à base de W ofereçam um caminho para modificar a estrutura eletrônica e a resistência de rede para reduzir a DBTT, o vasto espaço de design composicional dessas ligas de múltiplos elementos principais é difícil de navegar. A modelagem atomística tradicional (DFT, MD) é computacionalmente proibitiva para triagem de alto rendimento, e os dados experimentais existentes de propriedades mecânicas para W-RHEAs são escassos, heterogêneos e frequentemente carecem de medições padronizadas de fratura ou DBTT. Consequentemente, há a necessidade de um arcabouço baseado em dados capaz de extrair regras de design de conjuntos de dados limitados para identificar estratégias de liga que mitiguem a fragilidade à temperatura ambiente.

Metodologia
Os autores desenvolveram um arcabouço de aprendizado de máquina interpretável e informado pela física, adaptado para conjuntos de dados escassos:

1. Curadoria de Dados: Um conjunto de dados de 87 RHEAs contendo W, relatadas experimentalmente, foi compilado. A ductilidade à temperatura ambiente foi definida usando um critério de classificação binária: ligas com elongação à tração $\ge$ 5% ou deformação compressiva na falha $\ge$ 10% foram classificadas como dúcteis; outras foram frágeis. Este limiar considera a assimetria tração-compressão inerente aos sistemas BCC refratários.
2. Engenharia de Atributos (Feature Engineering): Em vez de depender apenas da composição bruta, o estudo utilizou descritores baseados em composição e informados pela física, calculados via regra das misturas (ROM). Estes incluíram concentração de elétrons de valência (VEC), diferença de tamanho atômico, entalpia de mistura, entropia de mistura ideal, desajuste de eletronegatividade, módulos elásticos médios (Young, cisalhamento, bulk), razão de Pugh, e parâmetros eletrônicos derivados de DFT, como o parâmetro médio de troca-correlação ($r_s$) e o campo de pressão. Atributos altamente correlacionados foram podados para reduzir a dimensionalidade.
3. Arcabouço de Aprendizado de Máquina: Três classificadores (Random Forest, Regressão Logística e Classificador de Vetores de Suporte - SVC) foram avaliados usando validação cruzada aninhada (5 dobras internas, 10 dobras externas) para evitar o overfitting e garantir estimativas de generalização imparciais. O SVC com um núcleo de função de base radial (RBF) demonstrou o desempenho mais confiável (Acurácia Balanceada $\approx$ 0,84).
4. Interpretação do Modelo: As Explicações de Shapley Aditivas (SHAP) foram empregadas para quantificar a contribuição de cada atributo para a fronteira de classificação dúctil/frágil.
5. Geração Sintética e Visualização: Para visualizar tendências em um espaço de alta dimensão, composições sintéticas foram geradas dentro do domínio de interpolação convexo dos dados de treinamento. Elas foram projetadas em diagramas pseudo-ternários para mapear tendências de ductilidade previstas.
6. Validação por Primeiros Princípios: Seis ligas representativas abrangendo a fronteira de decisão do SVC (desde alta confiança de ductilidade até fragilidade) foram selecionadas para validação por Teoria do Funcional da Densidade (DFT). Estruturas de Quase-Aleatórias Especiais (SQS) foram construídas, e propriedades elásticas, fatores de energia de discordância e densidade de estados eletrônicos (DOS) foram calculados para verificar a relevância física das previsões de ML.

Principais Resultados

• Desempenho do Modelo: O modelo SVC alcançou uma acurácia balanceada de 0,8375 $\pm$ 0,1315. A análise de sensibilidade confirmou que o desempenho discriminativo do modelo foi robusto através de variações no limiar de deformação compressiva (5%–15%).
• Importância dos Atributos: A análise SHAP identificou quatro atributos dominantes que governam a fronteira de classificação: o parâmetro de troca-correlação ($r_s$), a concentração de elétrons de valência (VEC), o campo de pressão e o desajuste de eletronegatividade. Notavelmente, descritores eletrônicos ($r_s$ e VEC) mostraram-se mais influentes do que parâmetros puramente geométricos ou termodinâmicos.
• Tendências de Liga:
  • Promotores de Ductilidade: Adições moderadas de Titânio (Ti), Níquel (Ni) e Cobalto (Co) aumentaram significantemente a probabilidade de ductilidade à temperatura ambiente. As adições de Ti, em particular, mostraram o deslocamento positivo mais forte na função de decisão.
  • Promotores de Fragilidade: Altos teores de Cromo (Cr) e Háfnio (Hf) consistentemente deslocaram as previsões para o comportamento frágil. Sistemas ricos em Cr foram associados a margens de decisão negativas, alinhando-se com a formação de fases topologicamente próximas (topologically close-packed).
• Validação por DFT: Os cálculos de DFT forneceram suporte físico independente para as tendências de ML. As ligas com margens positivas elevadas no SVC (ex: MoNbTaWTiHfZr) exibiram:
  • Menores módulos de cisalhamento e dureza Vickers.
  • Maiores razões de Pugh ($B/G > 1,75$) e razões de Poisson ($\nu > 0,26$).
  • Menores fatores de energia de discordâncias de parafuso e mistas, indicando barreiras reduzidas para nucleação e movimento de discordâncias.
  • Estruturas eletrônicas mais deslocalizadas perto do nível de Fermi em comparação com candidatos frágeis.
  • Inversamente, candidatos frágeis (ex: TaVWCr) mostraram maior dureza, menores indicadores de ductilidade e estados eletrônicos localizados.

Significância e Alegações
O artigo estabelece um arcabouço de triagem interpretável e informado pela física, especificamente desenhado para conjuntos de dados escassos de ligas de tungstênio. Os autores afirmam que, ao combinar dados experimentais curados com descritores baseados em física e uma seleção rigorosa de modelos, eles identificaram com sucesso estratégias de liga quantitativas para reduzir a DBTT em W-RHEAs.

O trabalho demonstra que o aprendizado de máquina pode extrair regras de design significativas mesmo quando os dados são limitados e heterogêneos, desde que os atributos sejam fundamentados fisicamente. O acordo entre a fronteira de decisão aprendida e as propriedades elásticas e eletrônicas independentes derivadas de DFT valida a relevância física da classificação inferida. Especificamente, o estudo confirma que Ti, Ni e Co são ductilizantes eficazes neste espaço composicional, enquanto Cr e Hf devem ser limitados.

Os autores declaram explicitamente que este trabalho serve como um critério de triagem inicial focado na ductilidade à temperatura ambiente. Eles reconhecem que a qualificação total para fusão exige um arcabouço de otimização multiobjetivo que também considere a evolução das propriedades induzida por irradiação, a degradação do transporte térmico e as restrições de ativação, que não são abordados no presente estudo. O arcabouço é apresentado como uma ferramenta para guiar simulações direcionadas e validação experimental, em vez de uma solução definitiva para todos os desafios de materiais relevantes para a fusão.