Прогнозирование механических свойств высокоэнтропийного карбида (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C с применением потенциала машинного обучения

Обложка

Цитировать

Полный текст

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

Аннотация

Изучен шестикомпонентный высокоэнтропийный карбид (ВЭК) (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C. Электронная структура рассчитывалась ab initio с помощью пакета VASP для суперячейки из 512 атомов, построенной с применением специальных квазислучайных структур. Путем глубокого машинного обучения получен потенциал искусственных нейронных сетей (ИНС-потенциал), качество которого оценивалось по величине среднеквадратичных отклонений энергий, сил и вириалов. Сгенерированный ИНС-потенциал использовался в пакете классической молекулярной динамики LAMMPS для анализа как бездефектной модели указанного сплава, состоящей из 4096 атомов, так и впервые для модели поликристаллического ВЭК, состоящей из 4603 атомов. Было проведено моделирование одноосного растяжения ячейки, определены коэффициенты упругости, модуль всестороннего сжатия, модуль упругости и коэффициент Пуассона. Полученные значения хорошо согласуются с экспериментальными и расчетными данными, что говорит о хорошей предсказательной способности сгенерированного потенциала.

Полный текст

Доступ закрыт

Об авторах

Н. С. Пикалова

Институт металлургии Уральского Отделения Российской академии наук

Email: rempel.imet@mail.ru
Россия, 620016 Екатеринбург

И. А. Балякин

Институт металлургии Уральского Отделения Российской академии наук; НОЦ НАНОТЕХ, Уральский федеральный университет им. Б.Н. Ельцина

Email: rempel.imet@mail.ru
Россия, 620016 Екатеринбург; 620002 Екатеринбург

А. А. Юрьев

Институт металлургии Уральского Отделения Российской академии наук

Email: rempel.imet@mail.ru
Россия, 620016 Екатеринбург

А. А. Ремпель

Институт металлургии Уральского Отделения Российской академии наук

Автор, ответственный за переписку.
Email: rempel.imet@mail.ru

академик

Россия, 620016 Екатеринбург

Список литературы

  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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Значение полной энергии системы на один атом для разных СКС-конфигураций (черные точки) и случайных конфигураций (синие точки) и их средние значения.

Скачать (171KB)
Метаданные
3. Рис. 2. Корреляции между DeePMD и ab initio силами.

Скачать (139KB)
Метаданные
4. Рис. 3. Периоды решетки (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C для различных давлений системы в сравнении с данными работ других авторов: [21–23] (эксперимент), [20, 24] (расчет).

Скачать (171KB)
Метаданные
5. Рис. 4. График зависимости давления поликристаллической системы от относительного удлинения (синяя линия) в сравнении с монокристаллической (черная линия).

Скачать (127KB)
Метаданные

© Российская академия наук, 2024

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».