AI和机器学习

使用AI更好地了解合金,金属

研究人员正在使用人工智能(AI)和机器学习(ML)来帮助设计可用于各种应用中的高性能钢材。

由Tim Ledbetter. 7月6日,2021年
礼貌:安德烈斯塔尔,太平洋西北国家实验室

机器学习(ML)技术有助于从医疗保健到高能物理学的科学和技术领域的进展。现在,机器学习准备有助于加快强化合金,特别是不锈钢钢的发展,为美国的热电发电舰队。更强的材料是有效生产能量的关键,导致经济和脱碳效益。

“使用超高强度钢在发电厂的日期返回到20世纪50年代,并随着时间的推移而受益于材料的逐步改善,”Osman Mamun,博士后研究助理太平洋西北国家实验室(PNNL)。“如果我们找到加速改进或创造新材料的方法,我们可以看到植物的提高效率,这也将碳的碳量降低到大气中。”

Mamun是两个最近的相关日记文章的领先作者,揭示了机器学习在先进合金设计中的应用程序的新策略。该文章纪询了PNNL与国家能源技术实验室(NetL)之间共同努力的研究结果。除妈妈外,研究团队还包括PNNL的Arun Sathanur和Ram Devanathan和Netl的Madison Wenzlick和Jeff Hawk。

这项工作得到了美国能源部(DOE)的资助化石能量办公室通过“XMAT” - Extreme环境材料 - 财团,包括来自七大国家实验室的研究贡献。该联盟旨在加速各种电厂组件改进的耐热合金的开发,并预测合金的长期性能。

发电厂的内部故事

热电厂的内部环境是未共同的。高度超过650摄氏度的操作温度和超过50兆帕血管的应力将植物的钢结构施加到测试中。

穆森说:“还有,高温和压力以及可靠的部件,以及可靠的部件对推动更好的热力学效率并提高成本效益,这是至关重要的。”

PNNL-NetL协作集中于两种材料类型。奥氏体不锈钢广泛用于植物,因为它提供强度和优异的耐腐蚀性,但其在高温下的使用寿命受到限制。含有9-12%范围内含有铬的铁素体 - 马氏体钢也提供强度效果,但可以容易产生氧化和腐蚀。工厂运营商希望抵抗破裂并持续数十年的材料。

随着时间的推移,“试验和误差”实验方法具有渐进的钢材,但效率低,耗时,昂贵且昂贵。促进具有优越特性的新型材料的发展至关重要。

预测破裂力量和生命的模型

Mamun表示,计算建模和机器学习的最新进展,已成为追求更快的材料的重要新工具。

机器学习,一种人工智能形式,将算法应用于数据集,以开发用于科学问题的更快解决方案。这种能力在全球研究中具有很大差异,在某些情况下,在某些情况下剃须了科学发现和技术发展的大量时间。

在他们的第一个期刊文章中描述了PNNL-NetL研究团队的机器学习的应用,“铁基马氏体和奥氏体合金破裂强度预测机器学习辅助解释模型,“3月9日发布科学报告

PNNL在连接钢到铝合金中的独特能力使轻型汽车技术能够进行可持续运输。礼貌:安德烈斯塔尔,太平洋西北国家实验室

PNNL在连接钢到铝合金中的独特能力使轻型汽车技术能够进行可持续运输。礼貌:安德烈斯塔尔,太平洋西北国家实验室

本文叙述了团队努力加强和分析不锈钢数据集,由Netl团队成员提供三种不同的算法。最终目标是构建一种准确的预测模型,用于两种类型的合金的破裂强度。该团队得出结论,一种称为梯度提升决策树的算法最佳满足建筑机器学习模型的需求,以便精确预测破裂强度。

此外,研究人员认为将所产生的模型集成到现有的合金设计策略中,可以速度识别有前途的不锈钢,其具有优异的性能,可以处理压力和应变。

“这项研究项目不仅迈出了更好的方法,即在发电厂延长钢铁运营信封的更好方法,而且还演示了机器学习模型,以物理为基础,以实现领域科学家的解释,”PNNL计算团队成员Ram Devanathan表示:PNNL计算团队成员Ram Devanathan表示材料科学家。Devanathan领导XMAT Consortium的数据科学推力,并为组织的指导委员会提供服务。

项目团队的第二篇文章,“铁素体与奥氏体钢破裂寿命的机器学习预测和生成模型,“发表在NPJ材料退化一年星期四版。

该团队在论文中,基于机器学习的预测模型可以可靠地估计两种合金的破裂寿命。研究人员还描述了一种产生可用于增强现有稀疏不锈钢数据集的合成合金的方法,并确定了这种方法的局限性。在机器学习模型中使用这些“假设合金”使得可以在没有首先在实验室中合成它们的情况下评估候选材料的性能。

“调查结果建立在早期的论文的结论中,并代表了在极端环境中建立可解释模型的另一步,同时还提供了对数据集发展的见解,”Devanathan说。“这篇论文都展示了XMAT在这个快速增长的领域中的思想领导力。”


Tim Ledbetter.
作者生物:Tim Ledbetter,通讯专业,太平洋西北国家实验室(PNNL)