Аморфные металлические сплавы — это вещества, структура которых близка к жидкости. За счет этого они могут обладать механическими свойствами, превосходящими кристаллические аналоги. Ученые разработали инновационную методологию определения прочности аморфных металлических сплавов, основанную на применении искусственного интеллекта. Она позволит не только определять прочностные свойства созданных сплавов, но и конструировать новые. Работу выполнили сотрудники кафедры вычислительной физики Института физики Казанского федерального университета (КФУ).
Аморфные металлические сплавы используются, например, для изготовления сейсмодатчиков, мембран манометров, датчиков скорости, ускорения и крутящего момента автомобилей, пружин часовых механизмов, весов, для изготовления металлокорда шин, сердечников высокочастотных трансформаторов.
«Применение сплавов в той или иной области обусловлено преимущественно их прочностными показателями: сопротивляемости к разрушению, упругости, твердости. Именно поэтому существует потребность в разработке относительно простого и в то же время эффективного метода поиска аморфных металлических сплавов с необходимыми прочностными показателями», — говорит заведующий кафедрой вычислительной физики и моделирования физических процессов Института физики КФУ Анатолий Мокшин.
Определять прочность полученных сплавов помогают нейросети. Казанские ученые создали методологию, использующую искусственный интеллект для определения прочностных свойств аморфных металлов на основе информации о физико-химических свойствах (масса атома, его заряд и электроотрицательность и др.) каждого элемента из таблицы Менделеева, из которых эти сплавы образованы. По словам авторов, такая методология не имеет аналогов в мире.
«Мы обучили искусственные нейронные сети анализировать состав тех металлических сплавов, для которых уже известны прочностные свойства — модуль упругости, предел текучести, предел прочности и так другие — и находить корреляцию между этими свойствами и физико-химическими свойствами элементов, которые присутствуют в составе сплава. Тем самым, искусственные нейронные сети учатся определять прочностные свойства по составу сплава. Далее мы применяем искусственные нейронные сети для прогнозирования прочностных показателей сплавов совершенно разного состава, комбинируя различные химические элементы из периодической таблицы Менделеева, которые могут быть использованы для синтеза сплавов», — рассказывает Анатолий Мокшин.
В рамках предложенной методологии нейронные сети «подбирают» комбинацию элементов в металлическом сплаве и задают долю (концентрацию) каждого элемента в нем.
«Далее осуществляется анализ информации о физических и химических свойствах элементов, образующих этот сплав, и определяются механические свойства этого сплава. Вся эта процедура занимает всего пару минут», — комментирует доцент кафедры вычислительной физики Булат Галимзянов.
В результате исследований ученым удалось установить, что прочностные показатели у аморфных сплавов на основе хрома, железа, монооксида углерода, никеля, ниобия, молибдена и вольфрама с добавками полуметаллов (бериллия, бора, алюминия, олова), неметаллов (кремния и фосфора), а также лантаноидов (лантана и гадолиния) выше, чем у сплавов на основе других элементов.
«Преимущество нашей методологии над импортными аналогами заключается в том, что мы первыми обучили нейросеть определять прочностные свойства аморфных металлических сплавов на основе информации о физико-химических свойствах каждого элемента, из которых эти сплавы образованы. Поэтому наша методология может быть использована для дизайна (конструирования) новых сплавов с требуемыми прочностными свойствами. Эта методология не требует информации о координатах и скоростях атомов, что освобождает нас от трудоемкого процесса анализа структуры. Средняя погрешность расчетов составляет 12 %, что является хорошим показателем», — сообщает инженер кафедры вычислительной физики КФУ Мария Доронина.
Авторы добавляют, что предложенная методология «конструирования» аморфных металлических сплавов с заданными упругопластическими свойствами поможет ускорить создание новых материалов для промышленности.
Исследование поддержано грантом Российского научного фонда и опубликовано в одном из международных научных изданий.