番茄影视大全免费看电视剧,黄金网站app在线看实时行情,蜜月av夜夜澡人人爽人人软件

高熵合金（HEAs）是一類新型材料，具有有趣的電子特性和優異的機械性能。基于耐火材料的HEA（RHEA）是一類特殊的HEA，顯示出巨大的應用潛力。然而，過高的計算成本和第一性原理方法的不確定性限制了使用傳統方法探索其指數級組合設計空間。

在此，美國德州農工大學Guillermo Vazquez, Prashant Singh及Raymundo Arróyave等人開發了基于描述符的機器學習（ML）框架模型，用于在廣闊HEA空間中快速探索機械性能。

具體而言，作者以基于耐火材料的Nb-Ta-Mo-W-V HEAs舉例說明了基于描述符的分析模型對合金空間進行快速探索的能力。在從DFT計算獲得的彈性屬性數據庫上，使用基于確定獨立篩選和稀疏算子（SISSO）的ML方法訓練可靠、最優和可解釋的分析描述符。作者還對目標特性進行了詳細分析，通過關聯常見的元素/合金特征以優化描述符，從而更好地解釋提出的分析模型，這與黑盒ML模型明顯不同。

Nb-Ta-Mo-W-V HEA的預測剛度矩陣用于評估技術上有用的量（如屈服強度），這些量可識別與熵的最佳組合更相關的高強度區域、具有大尺寸效應的區域、大的電負性方差和高相穩定性區域等。

圖1. 采樣、特征構建和特征分析過程的示意圖

上述預測的趨勢與有限的現有實驗相匹配，進一步建立基于描述符的廉價方法可以加速技術上有用HEA的設計。甚至，彈性關系也在五元合金空間中表現出與屈服強度相似的行為，這表明使用分析描述符是估計延展性的更直接方法。

此外，作者還注意到具有優異機械性能的合金成分不一定具有最高化學熵或價電子數。例如，作者在低熵區域發現了具有高強度和高相穩定性（低形成焓）的成分，這再次質疑了將重點放在最大化熵以獲得更好的機械性能上的做法。總之，這項工作強調，計算成本低廉的ML模型對于徹底和準確地搜索廣闊的HEA組合空間以識別具有理想目標屬性的區域非常重要。為此，對合金空間的無約束搜索允許進一步優化HEA成分，且各種機械性能的系統研究將有利于加速尋找技術上有用的HEA。

圖2. 楊氏模量描述符-交叉驗證和誤差分析

Efficient machine-learning model for fast assessment of elastic properties of high-entropy alloys, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117924

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/11/69288639e4/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

德州農工大學Acta Mater.: 機器學習用于快速評估高熵合金的彈性性能

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

德州農工大學Acta Mater.: 機器學習用于快速評估高熵合金的彈性性能

相關推薦