High-entropy carbide (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C mechanical properties prediction with the use of machine learning potential

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The six-component high-entropy carbide (HEC) (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C has been studied. The electronic structure was calculated by using the ab initio package VASP for a supercell with 512 atoms constructed by using special quasi-random structures. The artificial neural networks potential (ANN-potential) was obtained by deep machine learning. The quality of the ANN-potential was estimated by the value of the energies, forces, and virials standard deviations. The generated ANN-potential was used to analyze both a defect-free model of the specified alloy, with 4096 atoms, and for the first time a polycrystalline HEC model, with 4603 atoms, by using the LAMMPS classical molecular dynamics package. The simulation of uniaxial cell tension was carried out, the elasticity coefficients, the all-round compression modulus, the elasticity modulus, and Poisson’s ratio were determined. The obtained values are in good agreement with the experimental and calculated data, which indicates a good predictive ability of the generated ANN-potential.

Full Text

Restricted Access

About the authors

N. S. Pikalova

Institute of Metallurgy, Ural Branch of the Russian Academy of Sciences

Email: rempel.imet@mail.ru
Russian Federation, 620016 Ekaterinburg

I. A. Balyakin

Institute of Metallurgy, Ural Branch of the Russian Academy of Sciences; NANOTECH Centre, Ural Federal University

Email: rempel.imet@mail.ru
Russian Federation, 620016 Ekaterinburg; 620002 Ekaterinburg

A. A. Yuryev

Institute of Metallurgy, Ural Branch of the Russian Academy of Sciences

Email: rempel.imet@mail.ru
Russian Federation, 620016 Ekaterinburg

A. A. Rempel

Institute of Metallurgy, Ural Branch of the Russian Academy of Sciences

Author for correspondence.
Email: rempel.imet@mail.ru

Academician of the RAS

Russian Federation, 620016 Ekaterinburg

References

  1. Yeh J.-W., Chen S.-K., Lin S.-J., Gan J.-Y., Chin T.-S., Shun T.-T., Tsau C.-H., Chang S.-Y. // Adv. Eng. Mater. 2004. V. 6. № 5. P. 299–303.
  2. https://doi.org/10.1002/adem.200300567
  3. Cantor B., Chang I.T.H., Knight P., Vincent A.J.B. // Mater. Sci. Eng., A. 2004. V. 375. P. 213–218. https://doi .org/10.1016/j.msea.2003.10.257
  4. Rost C.M., Sachet E., Borman T., Moballegh A., Dickey E.C., Hou D., Jones J.L., Curtarolo S., Maria J.-P. // Nat. Commun. 2015. V. 6. P. 8485–8492. https://doi .org/10.1038/ncomms9485
  5. Gild J., Zhang Y., Harrington T., Jiang S., Hu T., Quinn M.C., Mellor W.M., Zhou N., Vecchio K., Luo J. // Sci. Rep. 2016. V. 6. P. 37946. https://doi .org/10.1038/srep37946
  6. Han X., Girman V., Sedlák R., Dusza J., Castle E., Wang Y., Reece M., Zhang C. // J. Eur. Ceram. Soc. 2020. V. 40. № 7. P. 2709–2715. https://doi .org/10.1016/j.jeurceramsoc.2019.12.036
  7. Sarker P., Harrington T., Toher C., Oses C., Samiee M., Maria J.-P., Brenner D.W., Vecchio K.S., Curtarolo S. // Nat. Commun. 2018. V. 9. P. 4980. https://doi .org/10.1038/s41467-018-07160-7
  8. Gelchinski B.R., Balyakin I.A., Yuryev A.A., Rempel A.A. // Russ. Chem. Rev. 2022. V. 91. № 6. P. RCR5023. https://doi .org/10.1070/RCR5023
  9. Hohenberg P., Kohn W. // Phys. Rev. 1964. V. 136. № 3B. P. B864. https://doi .org/10.1103/PhysRev.136.B864
  10. Kohn W., Sham L.J. // Phys. Rev. 1965. V. 140. № 4A. P. A1133. https://doi .org/10.1103/PhysRev.140.A1133
  11. Zunger A., Wei S.-H., Ferreira L.G., Bernard J.E. // Phys. Rev. Lett. 1990. V. 65. № 3. P. 353–356. https://doi .org/10.1103/PhysRevLett.65.353
  12. Гельчинский Б.Р., Мирзоев А.А., Воронцов А.Г. Вычислительные методы микроскопической теории металлических расплавов и нанокластеров. М.: Физматлит, 2011. 200 с.
  13. Alder B.J., Wainwright T.E. // J. Chem. Phys. 1957. V. 27. P. 1208–1209. https://doi .org/10.1063/1.1743957
  14. Mishin Y. // Acta Mater. 2021. V. 214. P. 116980. https://doi .org/10.1016/j.actamat.2021.116980
  15. Alloy Theoretic Automated Toolkit (ATAT) // https://www.brown.edu/Departments/Engineering/Labs/avdw/atat/ (ссылка активна на 16.02.2024).
  16. The Vienna Ab initio Simulation Package: atomic scale materials modelling from first principles // https://www.vasp.at/ (ссылка активна на 16.02.2024).
  17. Wang H., Zhang L., Han J., E W. // Comput. Phys. Commun. 2018. V. 228. P. 178–184. https://doi .org/10.1016/j.cpc.2018.03.016
  18. Perdew J.P., Burke K., Ernzerhof M. // Phys. Rev. Lett. 1996. V. 77. № 18. P. 3865–3868. https://doi .org/10.1103/PhysRevLett.77.3865
  19. Zhang L., Han J., Wang H., Saidi W.A., Car R., E W. End-to-End Symmetry Preserving Inter-Atomic Potential Energy Model for Finite and Extended Systems. In: Advances in Neural Information Processing Systems. V. 31. Curran Associates, Inc., 2018. Montréal, Canada. P. 4436–4446.
  20. Thompson A.P., Aktulga H.M., Berger R., Bolintineanu D.S., Brown W.M., Crozier P.S., In ‘T 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. V. 271. P. 10817. https://doi .org/10.1016/j.cpc.2021.108171
  21. Zhang Q., Zhang J., Li N., Chen W. // J. Appl. Phys. 2019. V. 126. P. 025101. https://doi .org/10.1063/1.5094580
  22. Ge H., Cui C., Song H., Tian F. // Metals. 2021. V. 11. № 9. P. 1399. https://doi .org/10.3390/met11091399
  23. Braic V., Vladescu A., Balaceanu M., Luculescu C., Braic M. // Surf. Coat. Technol. 2012. V. 211. P. 117–121. https://doi.org/10.1016/j.surfcoat.2011.09.033
  24. Chicardi E., García-Garrido C., Hernández-Saz J., Gotor F.J. // Ceram. Int. 2020. V. 46. № 13. P. 21421–21430. https://doi .org/10.1016/j.ceramint.2020.05.240
  25. Yang Y., Wang W., Gan G.-Y., Shi X.-F., Tang B.-Y. // Physica B: Condens. Matter. 2018. V. 550. P. 163–170. https://doi .org/10.1016/j.physb.2018.09.014
  26. Akrami S., Edalati P., Fuji M., Edalati K. // Mater. Sci. Eng., R. 2021. V. 146. P. 100644. https://doi .org/10.1016/j.mser.2021.100644
  27. Harrington T., Gild, J., Sarker P., Toher C., Rost C., Dippo O., McElfresh C., Kaufmann K., Marin E., Borowski L., Hopkins P., Luo J., Curtarolo S., Brenner D., Vecchio K. // Acta Mater. 2019. V. 166. P. 271–280. https://doi .org/10.1016/j.actamat.2018.12.054
  28. Moskovskikh D.O., Vorotilo S., Sedegov, A.S., Kuskov K.V., Bardasova K.V., Kiryukhantsev-Korneev P.V., Zhukovskyi M., Mukasyan A.S. // Ceram. Int. 2020. V. 46. P. 19008–19014. https://doi .org/10.1016/j.ceramint.2020.04.230
  29. Dai F.-Z., Wen B., Sun Y., Xiang H., Zhou Y. // J. Mater. Sci. Technol. 2020. V. 43. P. 168–174. https://doi .org/10.1016/j.jmst.2020.01.005
  30. Hirel P. // Comput. Phys. Commun. 2015. V. 197. P. 212–219. https://doi .org/10.1016/j.cpc.2015.07.012
  31. Zhang Y., Wang H., Chen W., Zeng J., Zhang L., Wang H., E W. // Comput. Phys. Commun. 2020. V. 253. P. 107206. https://doi .org/10.1016/j.cpc.2020.107206
  32. Lennard-Jones J.E. // Proc. Phys. Soc. 1931. V. 43. № 5. P. 461–482. https://doi .org/10.1088/0959-5309/43/5/301
  33. Becton M., Wang X. // Phys. Chem. Chem. Phys. 2015. V. 17. P. 21894–21901. https://doi .org/10.1039/c5cp03460d

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. The value of the total energy of the system per atom for different SCS configurations (black dots) and random configurations (blue dots) and their average values.

Download (171KB)
Indexing metadata
3. Fig. 2. Correlations between DeePMD and ab initio forces.

Download (139KB)
Indexing metadata
4. Fig. 3. Lattice periods (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C for different pressures of the system in comparison with the data of other authors: [21-23] (experiment), [20, 24] (calculation).

Download (171KB)
Indexing metadata
5. Fig. 4. Graph of the dependence of the pressure of a polycrystalline system on the relative elongation (blue line) in comparison with a monocrystalline one (black line).

Download (127KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

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».