Accueil - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle. L’intelligence artificielle révèle une nouvelle classe d’alliages à entropie élevée.

L’intelligence artificielle révèle une nouvelle classe d’alliages à entropie élevée.

0
0
57

Lehigh University

 

L'intelligence artificielle révèle une nouvelle classe d'alliages à entropie élevée. dans - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle. AI-High-Entropy-Alloys

 

Les chercheurs de Lehigh utilisent l’analyse de données et la microscopie expérimentale pour découvrir de nouveaux alliages à entropie élevée, validant ainsi une nouvelle approche de la recherche de nouveaux matériaux

Une nouvelle méthode de découverte de matériaux utilisant l’analyse des données et la microscopie électronique a permis de découvrir une nouvelle classe d’alliages extrêmement durs. De tels matériaux pourraient potentiellement résister aux impacts violents des projectiles, offrant ainsi une meilleure protection des soldats au combat. Les chercheurs de Lehigh décrivent la méthode et les résultats dans un article intitulé «Informatique des matériaux pour le criblage d’éléments multi-principaux et d’alliages à entropie élevée», publié dans Nature Communications. “Nous avons utilisé l’informatique des matériaux – l’application des méthodes de la science des données à
problèmes de matériaux – pour prédire une classe de matériaux qui ont des propriétés mécaniques supérieures », a déclaré l’auteur principal Jeffrey M. Rickman, professeur de science des matériaux et d’ingénierie et de physique et professeur de la classe de 61

Les chercheurs ont également utilisé des outils expérimentaux, tels que la microscopie électronique, pour mieux comprendre les mécanismes physiques à l’origine du comportement observé dans la classe de matériaux connus sous le nom d’alliages à haute entropie (HEA). Les alliages à haute entropie contiennent de nombreux éléments différents qui, une fois combinés, peuvent aboutir à des systèmes présentant des propriétés thermiques et mécaniques bénéfiques et parfois inattendues. Pour cette raison, ils font actuellement l’objet d’intenses recherches.

«Nous avons pensé que les techniques que nous avons développées seraient utiles pour identifier des EES prometteurs», a déclaré Rickman. «Cependant, nous avons trouvé des alliages dont les valeurs de dureté dépassaient nos attentes initiales. Leurs valeurs de dureté sont environ 2 fois supérieures à celles des autres alliages à entropie élevée et autres alliages binaires relativement durs. »

Les sept auteurs viennent de Lehigh, y compris Rickman; Helen M. Chan, professeur de zinc et d’ingénierie des matériaux au New Jersey Zinc; Martin P. Harmer, professeur titulaire de la fondation Alcoa en science et ingénierie des matériaux; Joshua Smeltzer, étudiant diplômé en science des matériaux et en génie; Christopher Marvel, associé de recherche postdoctoral en science et génie des matériaux; Ankit Roy, étudiant diplômé en génie mécanique et mécanique; et Ganesh Balasubramanian, professeur adjoint de génie mécanique et mécanique.

La recherche a été financée par l’Office of Naval Research avec le soutien de l’Initiative d’interface nano / humaine de Lehigh.

Augmentation des alliages à haute entropie et analyse des données
Le domaine des alliages à haute entropie, ou multi-éléments principaux, a récemment connu une croissance exponentielle. Ces systèmes représentent un changement de paradigme dans le développement des alliages, certains présentant de nouvelles structures et des propriétés mécaniques supérieures, ainsi qu’une résistance à l’oxydation et des propriétés magnétiques améliorées, par rapport aux alliages classiques. Cependant, l’identification d’EES prometteuses a représenté un défi de taille compte tenu de la vaste gamme d’éléments et de combinaisons possibles.

Les chercheurs ont cherché un moyen d’identifier les combinaisons d’éléments et les compositions qui conduisent à des alliages à haute résistance et haute dureté et à d’autres qualités souhaitables, qui constituent un sous-ensemble relativement petit du grand nombre de HSA potentiels pouvant être créés.

Ces dernières années, l’informatique des matériaux, l’application de la science des données aux problèmes de la science et de l’ingénierie des matériaux, est devenue un puissant outil de découverte et de conception des matériaux. Le domaine relativement nouveau a déjà un impact significatif sur l’interprétation des données pour divers systèmes de matériaux, notamment ceux utilisés dans les domaines de la thermoélectrie, de la ferroélectrique, des anodes et cathodes de batteries, des matériaux de stockage d’hydrogène et des diélectriques polymères.

«La création de grands ensembles de données dans la science des matériaux, en particulier, est en train de transformer la façon dont la recherche est effectuée sur le terrain en offrant des opportunités d’identifier des relations complexes et d’extraire des informations qui permettront de nouvelles découvertes et catalyseront la conception de matériaux», a déclaré Rickman. Les outils de la science des données, notamment les statistiques multivariées, l’apprentissage automatique, la réduction dimensionnelle et la visualisation des données, ont déjà conduit à l’identification de relations structure-propriété-traitement, au criblage d’alliages prometteurs et à la corrélation de la microstructure avec les paramètres de traitement.

Les recherches de Lehigh contribuent au domaine de l’informatique des matériaux en démontrant que cette suite d’outils est extrêmement utile pour identifier des matériaux prometteurs parmi une myriade de possibilités. «Ces outils peuvent être utilisés dans divers contextes pour restreindre de grands espaces de paramètres expérimentaux afin d’accélérer la recherche de nouveaux matériaux», a déclaré Rickman.

La nouvelle méthode combine des outils complémentaires
Les chercheurs de Lehigh ont combiné deux outils complémentaires pour utiliser une stratégie d’apprentissage supervisé pour le criblage efficace d’alliages à entropie élevée et pour identifier des HEA prometteuses: (1) une analyse de corrélation canonique et (2) un algorithme génétique avec une analyse inspirée de l’analyse de corrélation canonique. fonction de remise en forme.

Ils ont mis en œuvre cette procédure en utilisant une base de données pour laquelle il existe des informations de propriétés mécaniques et en mettant en évidence de nouveaux alliages à haute dureté. La méthodologie a été validée en comparant les duretés prévues à des alliages fabriqués en laboratoire en utilisant la fusion à l’arc, en identifiant les alliages avec des duretés très élevées mesurées.

« Les méthodes utilisées ici impliquaient une combinaison novatrice de méthodes existantes adaptées au problème des alliages à haute entropie », a déclaré Rickman. «De plus, ces méthodes peuvent être généralisées pour découvrir, par exemple, des alliages ayant d’autres propriétés souhaitables. Nous pensons que notre approche, qui repose sur la science des données et la caractérisation expérimentale, pourrait potentiellement changer la façon dont les chercheurs découvrent de tels systèmes pour l’avenir. ”

La source:

https://www2.lehigh.edu/news/materials-informatics-reveals-new-class-of-super-hard-alloys

lehigh.edu

Charger d'autres articles liés
Charger d'autres écrits par JC-GIROUD
Charger d'autres écrits dans - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle.

Laisser un commentaire

Consulter aussi

Vitol acquiert la société turque de distribution de carburant et de lubrifiant OMV Petrol Ofisi.

Vitol acquiert l’essence de l’Ofisi pour 1,368 milliard d’euros La socié…