Gasturbines worden veel gebruikt voor de opwekking van energie en de voortstuwing van vliegtuigen. Volgens de wetten van de thermodynamica geldt:hoe hoger de temperatuur van een motor, hoe hoger het rendement. Vanwege deze wetten is er een groeiende interesse in het verhogen van de bedrijfstemperatuur van turbines.

Een team van onderzoekers van het Department of Materials Science and Engineering aan de Texas A&M University heeft, in samenwerking met onderzoekers van het Ames National Laboratory, een kunstmatige intelligentie-raamwerk ontwikkeld dat in staat is om legeringen met hoge entropie (HEA's) te voorspellen die bestand zijn tegen extreem hoge temperaturen en oxiderende omgevingen . Deze methode zou de tijd en kosten voor het vinden van legeringen aanzienlijk kunnen verminderen door het aantal vereiste experimentele analyses te verminderen.

Dit onderzoek is onlangs gepubliceerd in Material Horizons .

Onder langdurige hoge temperaturen kunnen turbinebladen leiden tot catastrofale storingen door smelten of oxideren. Helaas hebben de huidige materialen voor turbineschoepen hun operationele limiet al bereikt.

Technische vooruitgang, zoals coatings en koelkanalen, hebben de noodzaak voor het veranderen van de materialen die voor turbines worden gebruikt, vertraagd. Verwacht wordt echter dat het vliegverkeer de komende tien jaar in volume zal verdubbelen, en gasturbines worden een steeds dominantere technologie voor energieopwekking. Daarom hebben turbines een hogere efficiëntie nodig om het brandstofverbruik te verminderen en de uitstoot van kooldioxide te beperken.

"Gasturbines werken door chemische energie om te zetten in mechanische beweging, maar worden beperkt door hun temperatuurdrempel", zegt Dr. Raymundo Arroyave, professor in de afdeling Materials Science and Engineering. "De volgende stap in het revolutioneren van turbinetechnologie is het veranderen van het materiaal dat wordt gebruikt om componenten te vervaardigen, zoals de bladen, zodat ze bij hogere temperaturen kunnen werken zonder catastrofaal te oxideren."

Als we kijken naar verschillende soorten legeringen voor turbines, is er veel aandacht rond HEA's. HEA's zijn geconcentreerde legeringen die geen duidelijk meerderheidselement hebben. Een uniek kenmerk van HEA's is dat deze legeringen stabieler worden bij hogere temperaturen, wat het potentieel biedt voor gebruik in extreme omgevingen.

Ondanks hun vermogen om hoge temperaturen te weerstaan, zijn HEA's gevoelig voor roesten (oxideren). HEA's kunnen veel samenstellingen hebben, waardoor de soorten oxiden die zich kunnen vormen exponentieel toenemen. Het vinden van een samenstelling die bestand is tegen oxidatie zou uitgebreide experimenten vergen tegen zeer hoge kosten.

Om de nadelen en kosten van HEA-ontdekking te omzeilen, ontwikkelden de onderzoekers een kunstmatige-intelligentieraamwerk dat het oxidatiegedrag van HEA's kan voorspellen. Dit raamwerk, dat computationele thermodynamica, machine learning en kwantummechanica combineert, kan de oxidatie van HEA's van willekeurige chemische samenstellingen kwantitatief voorspellen. De tijd die nodig is om de legeringen rekenkundig te screenen, wordt drastisch verminderd, van jaren tot slechts enkele minuten. Zeer snelle en efficiënte screening resulteert op zijn beurt in een verminderde behoefte aan resource-intensieve experimentele proeven.

"Bij het doorzoeken van een grote compositorische ruimte zouden experimenteerders honderden variaties van een zeer complex materiaal moeten nemen, deze moeten oxideren en vervolgens hun uitvoering moeten karakteriseren, wat weken, maanden of zelfs jaren kan duren", zegt Daniel Sauceda, een afgestudeerde student in de afdeling materiaalkunde en engineering. "Ons onderzoek heeft het proces aanzienlijk verkort door een routekaart te maken van de oxidatie van HEA's, die onderzoekers laat zien wat je kunt verwachten van verschillende samenstellingen."

Met behulp van het raamwerk voorspelden de onderzoekers het oxidatiegedrag van meerdere legeringssamenstellingen. Vervolgens stuurden ze de voorspellingen naar de wetenschapper Gaoyuan Ouyang van het Ames National Laboratory en zijn team om hun bevindingen te testen en te verifiëren dat het raamwerk nauwkeurig aantoont of een legering wel of niet bestand is tegen oxidatie.

"Het vermogen van het raamwerk om schadelijke fasen nauwkeurig te lokaliseren, zal het ontwerp van verbeterde oxidatiebestendige materialen mogelijk maken", zei Ames National Laboratory-wetenschapper Prashant Singh, die mede-leider was van de ontwikkeling van het raamwerk. "De benadering die in deze studie wordt gepresenteerd, is algemeen en toepasbaar op het begrijpen van het oxidatiegedrag van HEA's en biedt ook inzicht in oxidatie- en corrosiebestendige materialen voor andere toepassingen."

De tools die in dit onderzoek zijn ontwikkeld, kunnen mogelijk het proces veranderen waarmee wetenschappers materialen voor extreme omgevingen ontdekken door kunstmatige intelligentietools te gebruiken om in zeer korte tijd snel astronomische aantallen legeringen te overhevelen.

"Deze tool zal helpen bij het screenen van legeringen die niet geschikt zijn voor onze toepassingsbehoeften, terwijl we meer tijd kunnen besteden aan het maken van een meer gedetailleerde analyse van legeringen die het onderzoeken waard zijn", aldus Arroyave. "Hoewel onze voorspellingen niet 100% nauwkeurig zijn, bieden ze nog steeds voldoende informatie om weloverwogen beslissingen te nemen over welke materialen het waard zijn om te onderzoeken met een snelheid die ondenkbaar zou zijn geweest voordat dit raamwerk werd ontwikkeld."

De HEA's die via dit raamwerk worden gevonden, hebben potentiële toepassingen, zoals gasturbines voor voortstuwing en energieopwekking, warmtewisselaars en vele andere die materialen vereisen die bestand zijn tegen extreme bedrijfsomstandigheden.

"Door de ontdekking van materialen die bestand zijn tegen extreme omgevingen mogelijk te maken, draagt ​​dit werk direct bij aan het doel van het Department of Energy om tegen 2050 een netto-nuluitstoot van koolstof te bereiken", aldus Singh. + Verder verkennen

AI versnelt de ontwikkeling van nieuwe legeringen met hoge entropie