Machine learning-technieken hebben bijgedragen aan vooruitgang op het gebied van wetenschap en technologie, variërend van gezondheidszorg tot hoge-energiefysica. Nutsvoorzieningen, machine learning staat klaar om de ontwikkeling van sterkere legeringen te versnellen, met name roestvrij staal, voor de Amerikaanse vloot voor thermische energieopwekking. Sterkere materialen zijn de sleutel tot het efficiënt produceren van energie, resulterend in economische en decarbonisatie voordelen.

"Het gebruik van ultrasterk staal in energiecentrales dateert uit de jaren vijftig en heeft in de loop van de tijd geprofiteerd van geleidelijke verbeteringen in de materialen, " zegt Osman Mamun, een postdoctoraal onderzoeksmedewerker bij Pacific Northwest National Laboratory (PNNL). "Als we manieren kunnen vinden om verbeteringen te versnellen of nieuwe materialen te creëren, we konden een verbeterde efficiëntie zien in planten die ook de hoeveelheid koolstof die in de atmosfeer wordt uitgestoten, vermindert."

Mamun is de hoofdauteur van twee recente, gerelateerde tijdschriftartikelen die nieuwe strategieën onthullen voor de toepassing van machine learning bij het ontwerpen van geavanceerde legeringen. De artikelen beschrijven de onderzoeksresultaten van een gezamenlijke inspanning van PNNL en het National Energy Technology Laboratory (NETL). Naast Mamun, het onderzoeksteam omvatte PNNL's Arun Sathanur en Ram Devanathan en NETL's Madison Wenzlick en Jeff Hawk.

Het werk werd gefinancierd door het Office of Fossil Energy van het Amerikaanse Department of Energy (DOE) via het "XMAT"-eXtreme environment MATerials-consortium, waaronder onderzoeksbijdragen van zeven nationale DOE-laboratoria. Het consortium wil de ontwikkeling van verbeterde hittebestendige legeringen voor verschillende onderdelen van energiecentrales versnellen en de langetermijnprestaties van de legeringen voorspellen. Het inside-verhaal van energiecentrales

De interne omgeving van een thermische energiecentrale is meedogenloos. Bedrijfstemperaturen van meer dan 650 graden Celsius en spanningen van meer dan 50 megapascal stellen de stalen onderdelen van een fabriek op de proef.

"Maar ook, die hoge temperatuur en druk, samen met betrouwbare componenten, zijn van cruciaal belang bij het stimuleren van een betere thermodynamische efficiëntie die leidt tot verminderde koolstofemissies en verhoogde kosteneffectiviteit, ' legt Mamun uit.

De samenwerking tussen PNNL en NETL was gericht op twee materiaalsoorten. Austenitisch roestvrij staal wordt veel gebruikt in fabrieken omdat het sterkte en uitstekende corrosieweerstand biedt, maar de levensduur bij hoge temperaturen is beperkt. Ferritisch-martensitisch staal dat chroom in het bereik van 9 tot 12 procent bevat, biedt ook sterktevoordelen, maar kan gevoelig zijn voor oxidatie en corrosie. Exploitanten van fabrieken willen materialen die bestand zijn tegen scheuren en tientallen jaren meegaan.

Overuren, "trial and error" experimentele benaderingen hebben staal stapsgewijs verbeterd, maar zijn inefficiënt, tijdrovend, en kostbaar. Het is cruciaal om de ontwikkeling van nieuwe materialen met superieure eigenschappen te versnellen. Modellen voor het voorspellen van breuksterkte en levensduur

Recente ontwikkelingen in computationele modellering en machine learning, Mamun zegt, zijn belangrijke nieuwe instrumenten geworden in de zoektocht om sneller tot betere materialen te komen.

machinaal leren, een vorm van kunstmatige intelligentie, past een algoritme toe op datasets om snellere oplossingen voor wetenschappelijke problemen te ontwikkelen. Deze mogelijkheid maakt een groot verschil in onderzoek wereldwijd, in sommige gevallen scheelt het veel tijd in wetenschappelijke ontdekkingen en technologische ontwikkelingen.

De toepassing van machine learning door het PNNL-NETL-onderzoeksteam werd beschreven in hun eerste tijdschriftartikel, "Een door machinaal leren ondersteund interpreteerbaar model voor voorspelling van breuksterkte in op Fe gebaseerde martensitische en austenitische legeringen, " gepubliceerd op 9 maart in Wetenschappelijke rapporten .

De paper vertelt over de inspanningen van het team om roestvrijstalen datasets te verbeteren en te analyseren, bijgedragen door NETL-teamleden, met drie verschillende algoritmen. Het uiteindelijke doel was om een ​​nauwkeurig voorspellend model te construeren voor de breuksterkte van de twee soorten legeringen. Het team concludeerde dat een algoritme dat bekend staat als de Gradient Boosted Decision Tree, het best voldeed aan de behoeften voor het bouwen van machine learning-modellen voor nauwkeurige voorspelling van breuksterkte.

Verder, de onderzoekers beweren dat het integreren van de resulterende modellen in bestaande strategieën voor het ontwerpen van legeringen de identificatie van veelbelovende roestvaste staalsoorten met superieure eigenschappen voor het omgaan met stress en spanning zou kunnen versnellen.

"Dit onderzoeksproject zette niet alleen een stap in de richting van betere benaderingen voor het uitbreiden van de operationele omvang van staal in energiecentrales, maar demonstreerde ook machinale leermodellen gebaseerd op de natuurkunde om interpretatie door domeinwetenschappers mogelijk te maken, " zegt onderzoeksteamlid Ram Devanathan, een PNNL computationele materiaalwetenschapper. Devanathan leidt de datawetenschapstak van het XMAT-consortium en is lid van de stuurgroep van de organisatie.

Het tweede artikel van het projectteam, "Machine Learning vergroot voorspellend en generatief model voor breukleven in ferritische en austenitische staalsoorten, " werd gepubliceerd in npj Materialen Degradatie editie van 16 april.

Het team concludeerde in de paper dat een op machine learning gebaseerd voorspellend model de breuklevensduur van de twee legeringen betrouwbaar kan inschatten. De onderzoekers beschreven ook een methode om synthetische legeringen te genereren die kunnen worden gebruikt om bestaande schaarse roestvrijstalen datasets te vergroten, en identificeerde de beperkingen van een dergelijke benadering. Het gebruik van deze "hypothetische legeringen" in machine learning-modellen maakt het mogelijk om de prestaties van kandidaat-materialen te beoordelen zonder ze eerst in een laboratorium te synthetiseren.

"De bevindingen bouwen voort op de conclusies van het eerdere artikel en vertegenwoordigen een nieuwe stap in de richting van het vaststellen van interpreteerbare modellen van legeringsprestaties in extreme omgevingen, terwijl het ook inzicht geeft in de ontwikkeling van datasets, "zegt Devanathan. "Beide papers demonstreren XMAT's thought leadership in dit snelgroeiende veld."