Прогнозирование пластичности высокоэнтропийных сплавов
DOI:
https://doi.org/10.52575/2687-0959-2022-54-4-271-276Ключевые слова:
машинное обучение, высокоэнтропийные сплавы, пластичность, сжатиеАннотация
На базе данных из 153 сплавов с использованием подходов машинного обучения была обучена суррогатная модель для прогнозирования деформации до разрушения на сжатия высокоэнтропийных сплавов. В рамках работы оценивалась точность влияния архитектуры полносвязной искусственной нейронной сети (количество скрытых слоев и количество нейронов в скрытых слоях) на точность прогнозирования. Было показано, что с увеличением количества скрытых слоев абсолютная погрешность снижается – от 5,4% для односвязной нейронной сети до 4,8 % для двухслойной и 4,7% для трехслойной нейронной сети.
Благодарности
Исследования выполнены при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках соглашения от «24» июня 2021г.№075-11-2021-046 (ИГК 000000S407521QLP0002) с АО «ОЭЗ «ВладМиВа»» по комплексному проекту «Организация высокотехнологичного производства экспортноориентируемых медицинских изделий на основе инновационных конструкционных материалов с целью импортозамещения на базе разработанных технологий» при участии НИУ «БелГУ» в части выполнения научно-исследовательских, опытно-конструкторских и технологических работ с использованием оборудования Центра коллективного пользования "Технологии и Материалы НИУ "БелГУ". Работа частично выполнена (машинное время) при поддержке проекта Российского фонда фундаментальных исследований № 20-53-56063.
Скачивания
Библиографические ссылки
Cantor B. et al. 2004. Microstructural development in equiatomic multicomponent alloys, Materials Science and Engineering: A., 375: 213–218.
Chuang M. H. et al. 2011. Microstructure and wear behavior of AlxCo1. 5CrFeNi1. 5Tiy, high entropy alloys //ActaMaterialia, 59(16): 6308–6317.
Gao Q. Zhang. 2008. Ultraviolet-B-induced oxidative stress and antioxidant defense system responses in ascorbate-deficient vtc1 mutants of Arabidopsis thaliana. J Plant Physiol, 165(2): 138–48.
Gludovatz B. et al. 2014. A fracture-resistant high-entropy alloy for cryogenic applications //Science, 345(6201): 1153–1158.
Gorr B. et al. 2015. Phase equilibria, microstructure, and high temperature oxidation resistance of novel refractory high-entropy alloys. Journal of Alloys and Compounds, 624: 270–278.
Guo S. 2015. Phase selection rules for cast high entropy alloys: an overview. Materials Science and Technology, 31(10): 1223–1230.
Huang W., Martin P., Zhuang H. L. 2019. Machine-learning phase prediction of high-entropy alloys. Acta Materialia, 169: 225–236.
Jiang C., Uberuaga B. P. 2016. Efficient ab initio modeling of random multicomponent alloys. Physical review letters, 116(10): 105501.
Lederer Y. et al. 2018. The search for high entropy alloys: a high-throughput ab-initio approach. Acta Materialia, 159: 364–383.
Mishra B. et al. 2013. Experimental studies on the effect of size and shape of holes on damage and microstructure of high hardness armour steel plates under ballistic impact. Materials & Design, 43: 17–24.
Ramprasad R. et al. 2017. Machine learning in materials informatics: recent applications and prospects. npj Computational Materials 3.
SenkovO. N. et al. 2015.Accelerated exploration of multi-principal element alloys for structural applications. Calphad, 50: 32–48.
Sheng G. U. O., Liu C. T. 2011. Phase stability in high entropy alloys: Formation of solid-solution phase or amorphous phase. Progress in Natural Science: Materials International, 21(6): 433–446.
Steurer W. 2020. Single-phase high-entropy alloys–A critical update. Materials Characterization, 162: 110179.
Toda-Caraballo I., Rivera-D?az-del-Castillo P. E. J. 2015. Modelling solid solution hardening in high entropy alloys. Acta Materialia, 85: 14–23.
Tsai M. H., Yeh J.W. 2014. High-entropy alloys: a critical review. Materials Research Letters. 2(3): 107–123.
Wen C. et al. 2019. Machine learning assisted design of high entropy alloys with desired property. Acta Materialia, 170: 109–117.
Yang X., Zhang Y. 2012. Prediction of high-entropy stabilized solid-solution in multi-component alloys. Materials Chemistry and Physics, 132(2-3): 233–238.
Yeh J. W. et al. 2004. Nanostructured high-entropy alloys with multiple principal elements: novel alloy design concepts and outcomes. Advanced engineering materials, 6(5): 299–303.
Zhang Y. et al. 2020. Phase prediction in high entropy alloys with a rational selection of materials descriptors and machine learning models. Acta Materialia, 185: 528–539.
Просмотров аннотации: 112
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Прикладная математика & Физика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
