Нейросеть точно предсказала прочность сплавов всего по двум параметрам
Физики разработали методику, которая с помощью искусственной нейросети оценивает прочность различных металлических сплавов с точностью до 98%. Предложенный подход позволит ускорить и упростить определение материалов, оптимальных по своим механическим характеристикам для использования в различных областях, в том числе в медицине и электротехнике.
Большинство металлических сплавов имеют кристаллическую структуру: атомы в них расположены упорядоченно, на равных расстояниях друг от друга, создавая конструкцию, напоминающую трехмерную сеть. Однако если в процессе производства расплав — изначально жидкое состояние сплава — очень быстро охлаждают, нормальная кристаллическая решетка не успевает сформироваться, и остывший материал приобретает аморфную, то есть неупорядоченную структуру. Аморфные сплавы более прочные, легкие и устойчивые к разрушению в сравнении с кристаллическими. В связи с этим их широко используют при создании деталей машин, медицинского оборудования и спортивного инвентаря.
Прочность аморфных сплавов оценивают по их способности сохранять свою структуру при сжатии и растяжении. Чтобы описать, насколько материал устойчив к таким воздействиям, физики используют специальную величину — модуль Юнга, который определяют экспериментально, сдавливая или растягивая образец из интересующего сплава. Однако до сих пор оставалось неизученным, от каких физических и химических характеристик материала зависит эта величина.
Ученые кафедры вычислительной физики Казанского федерального университета (Казань) создали нейросеть, способную выявлять зависимость между различными физическими и химическими характеристиками и оценивать значение модуля Юнга. Для обучения алгоритма авторы использовали данные о более чем 300 различных сплавах, содержащих алюминий, медь, железо и другие металлы.
Нейросеть определила, что на модуль Юнга в основном влияют два показателя: предел текучести и температура стеклования материала. Первая величина отображает, при какой физической нагрузке сплав начинает деформироваться, а вторая обозначает температуру, при охлаждении до которой жидкий расплав застывает, превращаясь в соответствующий твердый аморфный сплав. Так, используя всего два этих параметра, нейросеть определила модуль Юнга для различных соединений с точностью до 98% в сравнении с экспериментально полученными значениями.
В то же время оказалось, что химические свойства сплава, такие как количество и молекулярная масса входящих в его состав элементов, не влияют на устойчивость к растяжению и сжатию. На это указывает то, что по данным характеристикам алгоритм рассчитывал модуль Юнга с ошибкой примерно в 50%.
«Предложенная нами модель с точностью до 98% позволяет рассчитать устойчивость самых различных сплавов к сжатию и растяжению всего по двум физическим характеристикам, одна из которых — температура стеклования. Это само по себе является неожиданным, поскольку указывает на существование ранее неизвестного соотношения между прочностными характеристиками и термодинамическими параметрами. Эти результаты мы планируем использовать для оценки прочностных свойств металлических сплавов, которые могут быть синтезированы в будущем», — рассказывает участник проекта, поддержанного грантом РНФ, Булат Галимзянов, кандидат физико-математических наук, доцент кафедры вычислительной физики и моделирования физических процессов КФУ.
