人工智能与机器学习

利用人工智能更好地理解合金、金属

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

作者:Tim Ledbetter 2021年7月6日
提供:Andrea Starr,太平洋西北国家实验室

机器学习(ML)技术为从医疗保健到高能物理等科学技术领域的进步做出了贡献。现在,机器学习正准备帮助美国火力发电队加速开发更坚固的合金,特别是不锈钢。更强的材料是高效生产能源的关键,从而产生经济效益和脱碳效益。

他说:“发电厂使用超高强度钢的历史可以追溯到20世纪50年代,并得益于材料随着时间的推移的逐步改进。”奥斯曼·马蒙,博士后助理研究员太平洋西北国家实验室(PNNL). “如果我们能找到加快改进或创造新材料的方法,我们就能看到植物的效率提高,同时减少排放到大气中的碳量。”

Mamun是最近两篇相关期刊文章的主要作者,这两篇文章揭示了机器学习在先进合金设计中应用的新策略。这些文章记录了PNNL和国家能源技术实验室(NETL)共同努力的研究成果。除了马蒙之外,研究团队还包括PNNL的阿伦·萨塔努尔(Arun Sathanur)和拉姆·德瓦纳森(Ram Devanathan)以及NETL的麦迪逊·温兹利克(Madison Wenzlick)和杰夫·霍克(Jeff Hawk)。

这项工作由美国能源部资助化石能源办公室通过“XMAT”-极端环境材料联盟,其中包括能源部七个国家实验室的研究贡献。该财团寻求加速开发用于各种发电厂部件的改进耐热合金,并预测合金的长期性能。

发电厂内幕

火力发电厂的内部环境是无情的。超过650摄氏度的工作温度和超过50兆帕的压力使核电站的钢构件经受了考验。

马蒙说:“而且,高温和高压以及可靠的部件,对于提高热力学效率、减少碳排放和提高成本效益至关重要。”。

PNNL–NETL的合作集中在两种材料类型上。奥氏体不锈钢因其强度高、耐腐蚀性好而广泛应用于工厂,但其在高温下的使用寿命有限。铬含量在9%到12%范围内的铁素体马氏体钢也具有强度优势,但容易氧化和腐蚀。核电站运营商想要的是能抵抗破裂并能持续数十年的材料。

随着时间的推移,“反复试验”的实验方法已经逐渐提高了钢的性能,但效率低、耗时长、成本高。加速开发性能优良的新型材料至关重要。

断裂强度和寿命预测模型

马蒙说,计算建模和机器学习的最新进展已经成为寻求更快获得更好材料的重要新工具。

机器学习是人工智能的一种形式,它将一种算法应用于数据集,从而为科学问题开发出更快的解决方案。这种能力在世界范围内的研究中起着巨大的作用,在某些情况下,它会为科学发现和技术开发节省大量的时间。

PNNL–NETL研究小组在其第一篇期刊文章中描述了机器学习的应用铁基马氏体和奥氏体合金断裂强度预测的机器学习辅助解释模型发表于3月9日科学报告.

PNNL在连接钢和铝合金方面的独特能力为可持续运输提供了轻型车辆技术。提供:Andrea Starr,太平洋西北国家实验室

PNNL在连接钢和铝合金方面的独特能力为可持续运输提供了轻型车辆技术。提供:Andrea Starr,太平洋西北国家实验室

本文叙述了NETL团队成员用三种不同的算法来增强和分析不锈钢数据集的工作。最终目的是建立两种合金断裂强度的精确预测模型。研究小组得出结论,称为梯度增强决策树的算法最符合建立机器学习模型以准确预测断裂强度的需要。

此外,研究人员认为,将结果模型整合到现有的合金设计策略中,可以加快识别出有前途的不锈钢,这些不锈钢具有处理应力和应变的优越性能。

研究小组成员、PNNL计算材料科学家Ram Devanathan说:“这项研究项目不仅朝着更好的方法迈出了一步,扩展了电厂中钢铁的运行范围,而且还展示了基于物理学的机器学习模型,使领域科学家能够进行解释。”。Devanathan领导XMAT财团的数据科学工作,并担任该组织的指导委员会成员。

项目组的第二篇文章铁素体和奥氏体钢断裂寿命的机器学习增强预测生成模型,发表于npj材料降解的4月16日版。

研究小组在论文中得出结论,基于机器学习的预测模型可以可靠地估计这两种合金的断裂寿命。研究人员还描述了一种生成合成合金的方法,这种方法可用于扩充现有的稀疏不锈钢数据集,并确定了这种方法的局限性。在机器学习模型中使用这些“假想合金”使评估候选材料的性能成为可能,而无需首先在实验室合成它们。

Devanathan说:“这些发现建立在先前论文结论的基础上,代表了在极端环境下建立可解释的合金性能模型的又一步,同时也为数据集开发提供了见解。”两篇论文都展示了XMAT在这一迅速发展的领域的思想领导能力。”


提姆·莱德波特
作者简介:Tim Ledbetter,太平洋西北国家实验室(PNNL)通信专业人员