AI助力高效能鋼設計：斷裂強度、斷裂壽命得到準確預測

編譯/凱霞

機器學習技術促進了從醫療保健到高能物理等科技領域的進步。現在，機器學習有望幫助火力發電廠加速開發更堅固的合金，尤其是不鏽鋼。更堅固的材料是高效生產能源的關鍵，從而帶來經濟和脫碳效益。

「在發電廠中的使用超高強度鋼的歷史可追溯到20世紀50年代，隨著時間的推移，材料逐漸改進。」太平洋西北國家實驗室（PNNL）的博士後研究助理 Osman Mamun 說。「如果我們能找到加快改進或創造新材料的方法，我們就能看到工廠效率提高，同時減少排放到大氣中的碳量。」

Mamun 是最近兩篇相關期刊文章的主要作者，這些文章揭示了機器學習在高階合金設計中的應用新策略。這些文章記錄了 PNNL 和國家能源技術實驗室（NETL）共同努力的研究成果。除了Mamun，研究團隊還包括 PNNL 的 Arun Sathanur 和 Ram Devanathan，以及 NETL 的 Madison Wenzlick 和 Jeff Hawk。

這項工作由美國能源部（DOE）化石能源辦公室透過極端環境材料聯盟（eXtreme environment MATerials consortium，XMAT）資助，其中包括來自七個 DOE 國家實驗室的研究貢獻。該聯盟尋求加速開發用於各種發電廠部件的改進耐熱合金，並預測合金的長期效能。

火力發電廠的內部環境是無情的。超過 650 攝氏度的工作溫度和超過 50 兆帕的壓力對工廠的鋼部件進行考驗。

「而且，高溫和高壓以及可靠的元件對於提高熱力學效率至關重要，從而減少碳排放並提高成本效益。」 Mamun解釋道。

兩種不鏽鋼

PNNL-NETL的合作側重於兩種材料型別：奧氏體不鏽鋼和含9-12% 鉻鐵素體-馬氏體合金（FMA）。奧氏體不鏽鋼因其強度高、耐腐蝕性好而廣泛應用於工廠，但其在高溫下的使用壽命有限。含9-12% 鉻鐵素體-馬氏體合金（9-12% Cr FMA）也具有強度優勢，但容易氧化和腐蝕。工廠運營商需要能抗斷裂並持續數十年的材料。要想設計具有更長使用壽命的高強度鋼，需要徹底瞭解材料的長期特性，例如

斷裂強度、斷裂壽命

等。

隨著時間的推移，「試錯法」的實驗方法逐漸改進了鋼材，但效率低下、耗時且成本高昂。加快開發具有優異效能的新型材料至關重要。需要預測斷裂強度和壽命的模型。

Mamun 說，計算建模和機器學習的最新進展，已成為更快獲得更好材料的重要新工具。

機器學習是人工智慧的一種形式，它將演算法應用於資料集，為科學問題開發更快的解決方案。這種能力在世界範圍內的研究中產生了巨大的影響，在某些情況下，可以節省大量的科學發現和技術發展時間。

預測斷裂強度機器模型

NNL-NETL研究團隊的

第一篇文章

《用於鐵基馬氏體和奧氏體合金斷裂強度預測的機器學習輔助可解釋模型》「

A Machine Learning Aided Interpretable Model for Rupture Strength Prediction in Fe-based Martensitic and Austenitic Alloys

」於3月9日發表在《科學報告》（

Scientific Reports

）雜誌上，描述了機器學習在合金斷裂強度預測的應用。

該論文敘述了該團隊使用三種不同演算法（高斯過程迴歸（GPR）、神經網路（NN）和梯度提升決策樹（GBDT））增強和分析不鏽鋼資料集。最終目標是為兩種合金的斷裂強度構建準確的預測模型。研究表明：一種稱為梯度增強決策樹（Gradient Boosted Decision Tree，GBDT）的演算法最能滿足構建機器學習模型以準確預測斷裂強度的需求。

圖示：9-12% Cr FMA（左）和奧氏體不鏽鋼（右）的 GBDT 迴歸測試資料的奇偶圖。（來源：論文）

訓練後的模型已針對未見的測試資料進行了交叉驗證，並在相關係數方面取得了很高的預測效能（9-12% Cr FMA 的 R2>0。98，奧氏體不鏽鋼的 R2>0。95）。

此外，研究人員認為，將所得模型整合到現有合金設計策略中，可以加快識別具有處理應力和張力優異效能的有前途的不鏽鋼。

圖示：9-12% Cr FMA（左）和奧氏體不鏽鋼（右）不同特徵的重要性。（來源：論文）

研究小組成員、PNNL計算材料科學家Ram Devanathan說：「該研究專案不僅朝擴充套件發電廠鋼鐵的執行範圍更好的方法邁出了一步，而且還展示了以物理學為基礎的機器學習模型，使科學家進行解釋。」

預測斷裂壽命機器模型

專案團隊的

第二篇文章

《鐵素體鋼和奧氏體鋼的斷裂壽命的機器學習增強預測和生成模型》「

Machine Learning Augmented Predictive and Generative Model for Rupture Life in Ferritic and Austenitic Steels

」發表在4月16日的《

npj Materials Degradation

》上。

研究表明：基於機器學習的預測模型可以可靠地估計兩種合金的斷裂壽命。研究人員還描述了一種生成合成合金的方法，該方法可用於增加現有的稀疏不鏽鋼資料集，並確定了這種方法的侷限性。在機器學習模型中使用這些「假設合金」可以評估候選材料的效能，而無需先在實驗室中合成它們。

基於變分自編碼器（VAE）的生成模型用於建立合成合金樣本，以協助合金的逆向設計。開發的生成模型的另一個應用是資料增強，以提高 ML 模型的效能。研究表明VAE 生成的樣品主要取自有更多實驗資料可用的空間，即無法從高破裂壽命空間生成合金。有幾種方法可以改進取樣，例如馬爾可夫鏈蒙特卡羅（MCMC）取樣。