结合原子模拟和机器学习来预测镁合金中的晶界偏析

镁合金有望作为一种轻质材料，减轻汽车和运输系统的重量，具有提高燃油经济性和减少排放的潜力，但成型性和强度较低，阻碍了广泛采用。

密歇根大学的研究人员开发了一种预测模型来帮助镁合金优化以​​克服这些挑战。

了解和操纵不同温度下溶质元素和晶界之间的相互作用对于确定最佳镁合金成分和加工路线至关重要。由于稀土元素钇表现出偏析镁晶界的能力，该研究开发了基于钇对镁合金的影响的模型。

发表在ActaMaterialia上的论文描述了一种基于原子模拟和机器学习的集成方法，可准确预测代表其热机械加工的高温下微尺度多晶镁合金中晶界的平衡溶质偏析行为。

“这种方法可以准确地考虑晶界位置的统计特征和有限温度效应，超越溶质偏析能量学的谐波近似，”材料科学与工程副教授、该论文的通讯作者梁奇说。

在构建预测模型时，研究人员集成了晶界偏析的光谱模型、基于分子动力学模拟的热力学积分以进行精确的自由能计算，以及具有严格不确定性分析的物理信息机器学习替代模型。

材料科学与工程博士生、论文第一作者VaidehiMenon表示：“我们的替代模型在预测颗粒位点的分离自由能方面表现出稳健性，这些位点与我们的训练数据集中包含的结果存在显着偏差。”

共同作者助理研究科学家SambitDas和机械工程和材料科学与工程教授VikramGavini应用他们能够计算电子之间相互作用的软件进行第一性原理计算，以验证原子模拟的准确性。

尽管模型是基于钇的，但这种稀土元素在大规模结构应用中会产生巨大的成本。研究团队开发的综合预测工具可以帮助识别更实用的合金元素。

“我们的方法可以帮助加速识别具有成本效益的合金元素，以改进镁合金和其他金属合金系统，”齐说。