机器学习技术在材料科学领域中的应用进展

材料是国民经济的基础,新材料的发现是推动现代科学发展与技术革新的源动力之一,传统的实验“试错型”研究方法具有成本高、周期长和存在偶然性等特点,难以满足现代材料的研究需求。近些年,随着人工智能和数据驱动技术的飞速发展,机器学习作为其主要分支和重要工具,受到的关注日益增加,并在各学科领域展现出巨大的应用潜力。将机器学习技术与材料科学研究相结合,从大量实验与计算模拟产生的数据中挖掘信息,具有精度高、效率高等优势,给新材料的研发和材料基础理论的研究提供了新的契机。机器学习技术结合了计算机科学、概率论、统计学、数据库理论以及工程学等知识,计算速度快、泛化能力强,能有效地处理一些难以运用传统实验及模拟计算方法解决的体系和问题。近10年,机器学习在材料科学研究中的应用呈现出爆炸式的增长,尤其在新材料的合成设计、性能预测、材料微观结构深入表征以及改进材料计算模拟方法几个方面,均有着出色的表现。当然,作为一项数据驱动技术,如何获取大量实验数据并将其构建为行之有效的数据集仍是现阶段机器学习技术在材料科学领域应用的热点和难点。本文概述了机器学习技术的基本原理、主要工作流程和常用算法,简述了机器学习技术在材料科学领域中的研究重心及应用进展,分析了机器学习在材料学研究中尚存在的问题,并对未来此领域的发展热点进行了展望。

人工神经网络在材料科学中的研究进展

传统的“试错”型材料研究方法存在周期长、成本高和偶然性大等不足,已经不能满足现代材料研发的需求,提高研发针对性、缩短材料研发周期、降低材料研发成本成为全世界的研究热点。随着数据量的不断累积以及计算机技术的不断发展,数据密集型科学逐渐成为科学研究的第四范式。从大量数据中寻找能反映材料本征的“基因”,是材料现行的研究趋势。人工神经网络方法因具备自学习、联想存储以及高速寻找优化解的能力的优点而被广泛应用于材料科学领域。研究者利用人工神经网络等机器学习模型对材料的试验或理论计算数据进行挖掘,在专家经验和理论指导下转化为可靠的知识并能够辅助智能决策,从而建立材料从微观结构到宏观性能间的一一映射关系。早期,人工神经网络主要被用于寻求材料的宏观参数与材料宏观性能之间的关系,如材料的成分设计,加工过程的工艺参数优化,以及寻找影响材料使用性能的环境参数;人工神经网络通过对第一性原理计算结果进行学习,被用于描述原子尺度下体系之间的作用关系,以此实现计算速度与精度的平衡;而卷积神经网络等深度神经网络方法在图像处理上的独到优势,使得其在材料表征领域得到了更广泛的应用,如SEM、TEM中微结构识别与重构。借助人工神经网络等方法,实现材料微观、介观到宏观性能之间跨尺度的联系,是实现材料设计这一终极目标的可能途径。本文回顾了人工神经网络的发展历史,对目前材料领域应用最为广泛的BP神经网络与卷积神经网络原理进行了阐释,综述了人工神经网络在材料宏观性能、计算模拟、材料表征等领域的应用,探讨了人工神经网络在材料领域应用存在的不足,最后对未来的发展趋势进行了展望。

CaF2对CaO-SiO2-Al2O3渣系保护渣结晶行为的影响

针对CaF2对CaO-SiO2-Al2O3渣系保护渣结晶性能的影响问题,在实验室运用热丝法、X射线衍射法获得了不同CaF2质量分数下的保护渣TTT曲线以及相应温度条件下的结晶物类型。试验结果表明,该渣系保护渣低温下稳定存在的结晶物质不是传统CaO-SiO2渣系的枪晶石,而为钙铝黄长石和氟化钙;随着CaF2质量分数的增加,平均结晶孕育时间减少,鼻尖点孕育时间缩短,鼻尖点处的结晶温度提高,结晶能力增强。而在CaF2质量分数增加到一定程度后,F-将从网络外体破网作用转化为有一定的成网作用,会减弱保护渣的促晶能力,结晶能力增加趋势减缓。同时,与传统CaO-SiO2渣系保护渣相比,具有更强的结晶性能。

基于人工神经网络的RPV材料辐照脆化预测模型研究

在分析一定量随站测试样品的基础上,构建了具有较高精度的反应堆压力容器(RPV)材料韧脆转变温度(DBTT)预测的人工神经网络模型,并利用模型研究了中子注量和中子注量率对RPV材料DBTT的影响。结果表明,材料DBTT随着中子注量增加出现先线性上升,然后平缓上升,最后饱和的趋势,而中子注量率对RPV材料辐照脆化的影响不明显。

高温激光共聚焦显微镜在熔渣与钢润湿性能研究中的应用

为控制汽车面板等超低碳钢由凝固钩所引起的表面夹杂缺陷,须研究结晶器弯月面熔融保护渣与初生凝固坯壳间的润湿性问题,提出了一种用高温激光共聚焦显微镜(CLSM)测定熔渣在钢上的铺展面积,计算熔渣在钢基底上接触角的方法。结果表明,通过与座滴法、文献测定对比,CLSM法能准确的测算熔渣与固态钢之间的接触角,偏差在0°~2°;为克服钢样表面粗糙度对测试精度的影响,CLSM法测试用渣质量须大于2.00mg;随着温度升高,渣钢接触角减小,润湿性增强。