鎂合金在結構合金領域是非常輕的金屬。由於這種高比強度特性導致其在航空航天、汽車和國防工業中均有應用，因此人們對鎂合金產生了濃厚的興趣。但是，此類合金的用途受到限制，主要是由於它們的耐腐蝕性、可成形性差和抗蠕變性低。
鎂合金中通常會新增鋁元素。鋁改善了合金的多種效能，包括硬度、強度和可鑄性
。鋁對鎂合金的服役條件也有影響，通常是提高耐腐蝕性，已有研究顯示鋁具有在晶界（GBs）處偏析的趨勢，形成Mg17Al2析出。這些析出相是值得研究的，因為磁性材料優先腐蝕晶界處，或者該相可以作為腐蝕的物理屏障，具體取決於析出相的體積分數。此外，該相的形成通常會影響合金的機械效能，大部分會降低延展性。因此，研究這些相形成時鋁原子的偏析對於更好的開發鎂合金至關重要，雖然已有研究透過MD模擬對微觀結構進行建模，但是現有報道沒有將模擬結果與機器學習結合應用於鎂合金。
美國密歇根大學的研究人員
首次將模擬結果與機器學習和資料科學技術結合應用於鎂合金研究，將鋁的偏析能量量化為鎂的不同對稱傾斜晶界(STGB)的資料集。
相關論文以題為“Machine learning to predict aluminum segregation to magnesium grain boundaries”發表在Scripta Materialia。
論文連結：
https：//doi。org/10。1016/j。scriptamat。2021。114150
本文中鋁原子被反覆放置在鎂中30個不同對稱傾斜晶界附近的各種原子位置（GB中心20），為了解鋁在鎂GB的偏析，使用線性迴歸模型、基於樹模型和神經網路模型進行研究。研究發現GB中每個原子點位周圍的區域性環境均會影響與鋁原子偏析相關的能量學，因此適合作為機器學習模型的輸入，使用LAMMPS從非鬆弛系統計算每個原子的區域性度量，以描述每個替代鋁原子。
在本文資料集中，每個原子點位都有偏析能（Y’s）和區域性環境指標向量（xi’s），將資料隨機分為訓練集（70%）、驗證集（15%）和測試集（15%）。根據相對特徵重要性的計算和排序，確定配位數、Voronoi體積和靜水壓力這三個重要的特徵。預測偏析能量方面，具有互動項的二次迴歸模型表現最好（R2=0。940，RMSE=11。72 meV）。在基於樹模型方面，表現最好的模型是極端梯度提升決策樹（XGBoost），精度最高達到R2=0。972，RMSE=8。01 meV。在深度學習神經網路方面，總體R2為0。981，RMSE為6。21 meV，表明神經網路可以準確預測鎂GB中的鋁偏析能。
圖1 在 STGB系統內，MD偏析能作為與GB中心距離的函式，以增加取向差角
圖2 MD偏析能作為空間位置的函式 GB（θ=29。41）
圖3 偏析能量與環境描述因子的相關圖
圖4 神經網路與MD計算的偏析能相比較
本文開發的框架可以用於理解合金原子與GBs材料的偏析。首先，該預測模型可以準確而快速地提供大結構的原子偏析能量，而無需對每個潛在位置進行額外的模擬。該模型可用於加速蒙特卡羅（原子）動力學模擬中的勢能交換狀態，或為高尺度模型提供平均偏析能的資訊。這項研究解決了透過鎂的相鄰原子來預測單個原子的偏析能的問題。本文證實了使用機器學習技術計算GB物理特性的能力可以對GB科學和工程領域產生廣泛的影響。（文：破風）
本文來自微信公眾號“材料科學與工程”。歡迎轉載請聯絡，未經許可謝絕轉載至其他網站。