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). 

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.

2

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

  1. Komabayashi, T., and Fei, Y., 2010. Internally consistent thermodynamic database for iron to the Earth's core conditions, Journal of Geophysical Research, 115.
  2. Importance of phase equilibria for understanding supercritical fluid environments. Fluid Phase Equilibria, 158–160, Июнь 1999.
  3. 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.
  4. Phase equilibria and their applications, Ivo B. Rietveld. Eur. Phys. J. Special Topics 226. 2017, 817–822.
  5. 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.

Интересная статья? Поделись ей с другими: