ОСОБЕННОСТИ СТРУКТУРЫ И СВОЙСТВ В РАСПЛАВЕ Ga70Bi30 КРИТИЧЕСКОГО СОСТАВА: ЭКСПЕРИМЕНТ И МЕТОД МОЛЕКУЛЯРНОЙ ДИНАМИКИ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Температурная зависимость динамической вязкости расслаивающегося расплава критического состава Ga70Bi30 измерена методом затухающих крутильных колебаний в режиме непрерывного охлаждения со скоростью 3 K/мин от 1200 K до критической температуры Tc и со скоростью 0.5 K/мин от 600 K до Tc. Установлено, что вязкость данного расплава отклоняется от зависимости Арреннуса в интервале на 14 K выше критической точки. Молекулярно-динамическое моделирование расплава Ga70Bi30 проведено с использованием ИНС-потенциала. Начальный тренировочный набор получен методом ab initio МД для ячейки из 500 частиц в пакете VASP. Конечный тренировочный набор получен с помощью активного машинного обучения в пакете DPGEN. На базе этих данных был обучен ИНС-потенциал в пакете DeePMD. Далее этот потенциал использовался для моделирования в пакете LAMMPS для системы из 13500 частиц с шагом 2.5 фс. Полученный потенциал был использован для расчета парциальных парных корреляционных функций, парциальных координационных чисел, коэффициентов диффузии и плотности расплава критического состава Ga70Bi30. Парциальные функции радиального распределения, плотность и коэффициенты диффузии рассчитаны в изотермическом режиме в интервале от 300 до 1300 K с шагом 200 K. Парциальные координационные числа получены в режиме непрерывного охлаждения со скоростью 1011 K/с на интервале 400–800 K. Обнаружено аномальное поведение парциальных координационных чисел, которое начинается при температуре очень близкой к критической точке. Аномалии также установлены на парциальных функциях радиального распределения вблизи критической температуры. На температурных зависимостях рассчитанных коэффициентов диффузии не выявлено каких-либо особенностей.

Об авторах

В. В. Филиппов

Институт металлургии имени академика Н.А. Ватолина УрО РАН

Екатеринбург, Россия

И. А. Балякин

Институт металлургии имени академика Н.А. Ватолина УрО РАН

Екатеринбург, Россия

А. А. Юрьев

Институт металлургии имени академика Н.А. Ватолина УрО РАН

Email: yurev_anatoli@mail.ru
Екатеринбург, Россия

Б. Р. Гельчинский

Институт металлургии имени академика Н.А. Ватолина УрО РАН

Екатеринбург, Россия

Список литературы

  1. Predel. B. Bi-Ga (Bismuth-Gallium. In B-Ba – C-Zr. in: Landolt-Bornstein – Group IV Physical Chemistry. Vol. 5B. O. Madelung, Ed., Springer, 1992.
  2. Wignall G.D., Egelstaff P.A. Critical opalescence in binary liquid metal mixtures I. Temperature dependence. J. Phys. C: Solid State Phys. 1968. 1. P. 1088–1096. https://doi.org/10.1088/0022-3719/1/4/327
  3. Yagodin D.A., Filippov V.V., Popel P.S., Sidorov V.E., Son L.D. Density and ultrasound velocity in Ga-Bi melts. J. Phys. Conf. Ser. 2008. 98. P. 062019. https://doi.org/10.1088/1742-6596/98/6/062019.
  4. Vollmann J., Riedel D. The viscosity of liquid Bi–Ga alloys. J. Phys.: Condens. Matter. 1996. 8. P. 6175–6184. https://doi.org/10.1088/0953-8984/8/34/007
  5. Sklyarchuk V., Mudry S., Yakymovych A. Viscosity of Bi-Ga liquid alloys. J. Phys. Conf. Ser. 2008. 98. P. 062021. https://doi.org/10.1088/1742-6596/98/6/062021
  6. Adams P.D. Electrical resistivity of liquid binary alloys exhibiting a miscibility gap. Phys. Rev. Lett. 1970. 25. P. 1012–1014.
  7. Ginter G., Gasser J.G., Kleim R. The electrical resistivity of liquid bismuth, gallium and bismuth-gallium alloys. Phil. Mag. 1986. B 54. P. 543–552. https://doi.org/10.1080/13642818608236869
  8. Belashchenko D.K. Computer simulation of the properties of liquid metals: Gallium, lead, and bismuth. Russ. J. Phys. Chem. A. 2012. 86. P. 779–790. https://doi.org/10.1134/S0036024412050056
  9. Mokshin A.V., Khusnutdinoff R.M., Galimzyanov B.N., Brazhkin V.V. Extended short-range order determines the overall structure of liquid gallium. Phys. Chem. Chem. Phys. 2020. 22. P. 4122–4129. https://doi.org/10.1039/c9cp05219d
  10. Caspi E.N. et al. What is the structure of liquid Bismuth? J. Phys. Conf. Ser. 2012. 340. P. 012079. https://doi.org/10.1088/1742-6596/340/1/012079
  11. Kohn W., Sham L.J. Self-Consistent Equations Including Exchange and Correlation Effects. Phys. Rev. 1965. 140. P. A1133–A1138. https://doi.org/10.1103/PhysRev.140.A1133
  12. Mishin Y. Machine-learning interatomic potentials for materials science. Acta Mater. 2021. 214. P. 116980. https://doi.org/10.1016/j.actamat.2021.116980
  13. Behler J., Parrinello M. Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces. Phys. Rev. Lett. 2007. 98. P. 146401. https://doi.org/10.1103/PhysRevLett.98.146401
  14. Balyakin I.A., Yuryev A.A., Filippov V.V., Gelchinski B.R. Viscosity of liquid gallium Neural network potential molecular dynamics and experimental stady. Comput. Mater. Sci. 2022. 215. P. 111802. https://doi.org/10.1016/j.commatsci.2022.111802
  15. Balyakin I.A., Yuryev A.A., Gelchinski B.R. Molecular Dynamics Simulation of the Immiscibility in Bi–Ga Melts. Russian Metallurgy (Metally). 2024. P. 1043–1047. https://doi.org/10.1134/S0036029524701994
  16. Kresse G., Furthmüller J. Efficient iterative schemes for ab initio total-energy calculations using a plane-wave basis set. Phys. Rev. B. 1996. 54. P. 11169–11186. https://doi.org/10.1103/PhysRevB.54.11169
  17. Zhang Y., Wang Y., Chen W., Zeng J., Zhang L., Wang H., E W. DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy models. Comput. Phys. Commun. 2020. 253. P. 107206. https://doi.org/10.1016/j.cpc.2020.107206
  18. Wang H., Zhang L., Han J., E W. DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics Comput. Phys. Commun. 2018. 228. P. 178–184. https://doi.org/10.1016/j.cpc.2018.03.016
  19. Thompson A.P., Actulga H.M., Berger R., Bolintineanu D.S., Brown W.M., Crozier P.S., Veld P.J., Kohlmeyer A., Moore S.G., Nguyen T.D., Shan R., Stevens M.J., Tranchida J., Trott C., Plimpton S.J. Comput. Phys. Commun. 2022. 271. P. 108171. https://doi.org/10.1016/j.cpc.2021.108171
  20. Filippov V.V., Uporov S.A., Bykov V.A. et al. An automated setup for measuring the viscosity of metal melts. Instrum Exp Tech. 2016. 59. P. 305–311. https://doi.org/10.1134/S0020441216010036
  21. Inui M., Takeda S., Uechi T. Ultrasonic Velocity and Density Measurement of Liquid Bi–Ga Alloys with Miscibility Gap Region. J. Physical Society of Japan. 1992. 61. P. 3203–3208. https://doi.org/10.1143/JPSJ.61.3203
  22. Darken L.S. Diffusion, Mobility and Their Interrelation through Free Energy in Binary Metallic Systems. Trans. AIME. 1948. 175. P. 184–201.
  23. Khairulin R.A., Stankus S.V., Sorokin A.L. Determination of the two-melt phase boundary and study of the binary diffusion in liquid Bi–Ga system with a miscibility gap. J. Non-Cryst. Solids. 2002. 297. P. 120–130.
  24. Menz W., Sauerwald F. Viskositatsmessungen XVIII: Die Viskositat der schmelzflussigen E-(Entmischungs-) systeme Ga-Cd, Ga-Hg, Ga-Bi. Z. Phys. Chem. 1966. 232. P. 134–137.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».