УДК 004
Модель предсказания фазового состава многокомпонентных сплавов
Лищенко Дмитрий Алексеевич – студент Магистерской школы Информационных бизнес систем Национального исследовательского технологического университета МИСИС.
Аннотация: Предложена модель предсказания фазового состава многокомпонентных сплавов. Проведена разработка модели на основе рекуррентной нейронной сети и промежуточных результатов расчета методов из библиотеки pycalphad. Проведены тестовые испытания модели с целью определения точности и скорости предсказания фазовых составов, в результате которых было определено, что используемая модель предоставляет значительное ускорение полноценного расчета фазового состава с достаточным уровнем точности, чтобы идентифицировать более узкую область интереса для дальнейшего исследования.
Ключевые слова: термодинамика, фазовые равновесия, многокомпонентные системы, сплавы, нейронная сеть, рекуррентная нейронная сеть.
Информация о фазовых составах материалов представляет большую ценность в различных областях науки, связанных с материаловедением [1, 2]. Стабильные фазы сплавов играют важную роль в прогнозировании и проектировании новых материалов, включая сплавы металлов, которые обладают уникальными структурными характеристиками и физико-химическим свойствам. В настоящее время наиболее распространенной практикой теоретического определения фазового состава является вычисление глобального минимума энергии Гиббса при фиксированных термодинамических переменных[3]. Для поиска новых многокомпонентных материалов может потребоваться множественный расчет равновесий при вариации переменных довольно широком температурном и концентрационном диапазоне, что может приводить к существенным затратам на вычислительные мощности[4]. Следовательно, существует необходимость в поиске новых вычислительных методик, повышающих производительность расчетов фазовых равновесий [5].
В данной работе для реализации классификации (предсказания) фазового состава было предложено использование метода классификации на основе рекуррентных нейронных сетей с реализацией динамического переобучения в зависимости от передаваемых параметров.
Полученный алгоритм представляет собой полностью автоматизированный процесс вычисления фазового состава, который включает в себя несколько этапов:
- Предварительная обработку термодинамической базы данных: кодирование параметров, поступающих на вход модели, в частности преобразование передаваемых компонентов в соответствующие им фазы;
- Вычисление энергий Гиббса и фазового состава с помощью средств pycalphad для обучения модели по соответствующей термодинамической базе данных;
- Обучение модели для соответствующей базы данных;
- Итеративный процесс предсказания фазового состава в зависимости от рассчитанной энергии Гиббса и значения фильтра.
При необходимости предусмотрено переобучение модели, чтобы расширить диапазон параметров, с которыми она будет корректно работать (рисунок 1).
Рисунок 1. Диаграмма декомпозиции процесса предсказания фазового состава многокомпонентных сплавов.
Результат разработки позволил ускорить процесс поиска новых материалов от 2 до 3 раз в зависимости от параметров системы расчета, а также гибкий механизм переобучения позволил получать результаты с минимальными потерями в точности расчета (рисунок 2). Так при следующих ограничениях данных для обучения:
- Температура принимает значение от 298.15К до 3000К;
- Давление равно нормальному атмосферному давлению 101325 Па;
- Разработка модели осуществляется на основе одной термодинамической базы данных, в соответствии с чем список фаз ограничен списку из 2023 фаз, расчетные данные для которых предоставлены в файле tdb;
- Тестовые расчеты происходили на компонентах: 'ZR', 'MO', 'W', 'TA', 'V', 'CR', 'CO', 'NI';
- Концентрация каждого компонента составляет от 5 до 35 процентов;
- 3000 строк для обучения.
Разработанная модель предсказывает фазовый состав сплавов с достаточно низкой ошибкой, но не в полном объеме, так, например, при значении фильтра равном 0.36 с вероятностью 98 процентов в итоговом списке будет представлена стабильная фаза, с 93 процентной точностью предсказанных фаз, а с 57 процентной вероятностью все фазы будут предсказаны полно и корректно. В случае необходимости исключить ошибку, подходит значение фильтра 0.62, при котором с вероятностью 51 процент, все фазы будут полно и корректно предсказаны.
Рисунок 2. Процент точности по фазам в зависимости от значения фильтра.
Таким образом с ускорением предсказания фазового состава от 2 до 3 раз варьируя значение фильтра после получения предсказания, модель предоставляет результаты с точностью от 85 до 100 процентов при достоверности предсказаний (полностью корректных предсказаний) около 55 процентов, что позволяет изучить более широкую область температурного и компонентного состава и быстрее найти область интереса для более внимательного изучения исследователями.
Список литературы
- Komabayashi, T., and Fei, Y., 2010. Internally consistent thermodynamic database for iron to the Earth's core conditions, Journal of Geophysical Research, 115.
- Importance of phase equilibria for understanding supercritical fluid environments. Fluid Phase Equilibria, 158–160, Июнь 1999.
- Predict the phase formation of high-entropy alloys by compositions, Qingwei Guo, Xiaotao Xu, Xiaolong Pei, Zhiqiang Duan, Peter K. Liaw, Hua Hou, Yuhong Zhao. Journal of Materials Research and Technology глава 22, Январь 2023, 3331-3339.
- Phase equilibria and their applications, Ivo B. Rietveld. Eur. Phys. J. Special Topics 226. 2017, 817–822.
- Acceleration of the NVT Flash Calculation for Multicomponent Mixtures Using Deep Neural Network Models. Tao Zhang. Журнал: Ind. Eng. Chem. Res. 2019, 58, 27, 12312–12322.