Een nieuwe manier om de interactie tussen een metaal en zijn legeringsmateriaal te berekenen, zou de jacht op een nieuw materiaal kunnen versnellen dat de hardheid van keramiek combineert met de veerkracht van metaal.

De vondst, gemaakt door ingenieurs aan de Universiteit van Michigan, identificeert twee aspecten van deze interactie die nauwkeurig kunnen voorspellen hoe een bepaalde legering zich zal gedragen - en met minder veeleisende, kwantummechanische berekeningen vanaf het begin.

"Onze bevindingen kunnen het gebruik van machine learning-algoritmen voor het ontwerpen van legeringen mogelijk maken, mogelijk versnellen van de zoektocht naar betere legeringen die kunnen worden gebruikt in turbinemotoren en kernreactoren, " zei Liang Qi, assistent-professor materiaalkunde en techniek die het onderzoek leidde.

De huidige straalmotoren en kernreactoren kunnen niet te heet worden, anders zou het metaal van de motorturbine of de interne componenten van de reactor zacht worden. Echter, straalmotoren zouden efficiënter kunnen werken en kernreactoren zouden veiliger kunnen zijn als ze hogere temperaturen aankunnen, zei Qi. Er wordt gezocht naar een materiaal dat zeer hard is, zelfs bij hoge temperaturen, maar ook bestand is tegen scheuren.

Materiaalwetenschappers benaderen dit probleem door middel van legeringen - het mengen van een metaal met een of meer andere elementen. Een metaal bestaat voornamelijk uit een kristalrooster, met de atomen op een ordelijke manier ingepakt. Echter, het zijn de defecten - of de locaties waar het rooster is verstoord - die de meeste invloed hebben op hoe een materiaal zich zal gedragen, zei Qi.

"De eigenschappen van defecten bepalen mechanisch, thermische en bestralingsprestaties van metalen omdat atomen bij defecten meestal minder beperkingen hebben om te bewegen in vergelijking met die op perfecte posities, " hij zei.

Sommige gebreken zijn zwakke punten, zoals breuken in het rooster die grote gebieden bedekken - bekend als korrelgrenzen. Maar kleine gebreken, zoals dislocaties van meerdere rijen atomen, kan de prestatie van een metaal verbeteren door het te laten buigen, bijvoorbeeld.

Legeringselementen combineren met defecten om een ​​netwerk van verstoringen te creëren in het rooster van het gastheermetaal, maar het is moeilijk te voorspellen hoe dat netwerk de prestaties van het metaal zal beïnvloeden.

Het team beperkte hun onderzoek tot metalen met slechts één legeringselement bij defecten - nog steeds een aanzienlijke ontwerpruimte met honderden materiaalcombinaties en miljoenen defectstructuren.

Elektronen zijn verantwoordelijk voor het met elkaar verbinden van de atomen van het rooster, dus zocht het team naar een verband tussen de manier waarop elektronen zijn gestructureerd in een gewoon roosteratoom en een atoom bij een defect - en hoe dit de manier verandert waarop het rooster interageert met een legeringselement. Een hoge interactie-energie tussen het metaal en het legeringselement bij het defect maakt het metaal meestal minder flexibel, bijvoorbeeld, terwijl een lagere energie betekent dat ze niet zo hecht met elkaar verbonden zijn.

Het team identificeerde twee maatregelen, die ze "descriptoren, " die weergeven hoe de structuur van de elektronen verandert bij het defect in het zuivere metaal. Met behulp van deze, ze konden uitzoeken hoe een legeringselement zou interageren met het defect.

"We waren verbaasd toen we ontdekten dat de voorspellende kracht voor verschillende soorten defecten en locaties, gegeven een bepaald metaalkristal en legeringselement, " zei Yong-Jie Hu, een postdoctoraal onderzoeker in materiaalkunde en techniek en eerste auteur op het papier in Natuurcommunicatie .

Het team ontdekte dat ze konden voorspellen hoe atomen van het legeringselement zich concentreerden bij verschillende soorten defecten, waaronder complexe typen zoals hoge hoekkorrelgrenzen, waar het rooster grotendeels verkeerd is uitgelijnd.

De identificatie van deze descriptoren is een belangrijke stap in de richting van het effectief kunnen inzetten van machine learning voor het ontwerpen van legeringen, met behulp van algoritmen om door de resultaten van zeer nauwkeurige maar rekenintensieve kwantummechanische simulaties te bladeren.

Echter, de onderzoekers merken op dat er meer descriptoren moeten worden ontdekt voor voorspellingen van hoe complexere legeringen zich zullen gedragen, bijvoorbeeld die met twee of meer legeringselementen op defecten. En hoewel deze descriptoren kunnen bijdragen aan machine learning, mensen zullen ze waarschijnlijk identificeren.

"De ontdekking werd gedaan door 'menselijk leren' van klassieke elektronische modellen, " zei Qi. "Het geeft aan dat, in het tijdperk van big data en kunstmatige intelligentie, menselijke intelligentie biedt nog steeds betrouwbare bronnen voor wetenschappelijke ontdekkingen."

Een paper over dit onderzoek is gepubliceerd in het tijdschrift Natuurcommunicatie , getiteld, "Lokale elektronische descriptoren voor interacties tussen opgeloste stoffen en defecten in vuurvaste bcc-metalen."