By this author

LOKAL'NAYa STRUKTURA I ZATVERDEVANIE STEKLOOBRAZUYuShchEGO RASPLAVA Al86Ni6Co4Gd2Tb2 POD VYSOKIM DAVLENIEM: EKSPERIMENT, MODELIROVANIE, MAShINNOE OBUChENIE

Issue number 5 from 01.05.2024

Высокое давление влияет на затвердевание расплава Al86Ni6Co4Gd2Tb2 и его стеклообразующую способность. С помощью молекулярно-динамических расчетов ab initio показано, как локальная структура расплава изменяется с увеличением давления. Высокое давление способствует формированию икосаэдрических кластеров в расплаве. Формированию икосаэдров способствуют редкоземельные элементы: гадолиний, тербий. При давлении 10 ГПа и температуре расплава 1800 К атомы икосаэдров образуют «перколяционный кластер». При уменьшении давления концентрация икосаэдров уменьшается, при атмосферном давлении икосаэдры практически отсутствуют. Таким образом, стеклообразующая способность расплава увеличивается при повышении давления. С использованием техники глубокого машинного обучения выполнена оценка зависимости температуры стеклования Tg от высокого давления: увеличение давления от 0 до 10 ГПа повышает Tg в 1.3 раза. Исследована структура твердых образцов сплава, полученных путем охлаждения его расплава с температурой 1800 К со скоростью 1000 град/с под давлением 10 ГПа. Методами рентгеноструктурного анализа и электронной микроскопии показано, образцы плотные и однородные, структура мелкодисперсная. В сплаве синтезированы новые кристаллические фазы с кубической (сP 4/2) и тетрагональной (tI26/1) структурами, стабильные длительное время в нормальных условиях. В формировании фазы с кубической структурой (сP 4/2) основную роль выполняют редкоземельные элементы. Исследования показали, средняя твердость образцов, полученных при 10 ГПа, почти в 2 раза выше, чем исходного образца, полученного при атмосферном давлении, и составляет порядка 2 ГПа.

118 0

Accuracy, Performance, and Transferability of Interparticle Potentials for Al–Cu Alloys: Comparison of Embedded Atom and Deep Machine Learning Models

Issue number 6 from 01.12.2023

В последние несколько лет достигнут существенный прогресс в атомистическом моделировании материалов, связанный с применением методов машинного обучения для построения классических межатомных потенциалов взаимодействия. Такие потенциалы представляют собой многочастичные функции с большим количеством варьируемых параметров, значения которых оптимизируются с использованием энергий и сил, вычисленных для различных атомных конфигураций с помощью ab initio-методов. В данной работе мы разработали потенциал машинного обучения на основе глубоких нейронных сетей (DP) для сплавов Al-Cu и сравнили его точность и производительность c потенциалом погруженного атома (2NN-MEAМ). Анализ полученных результатов позволяет заключить, что разработанный DP обеспечивает достаточно высокую точность расчета структурных, термодинамических, транспортных свойств сплавов Al-Cu как в твердом, так и в жидком состояниях во всем диапазоне составов и широком интервале температур. При этом точность MEAM при расчете тех же свойств в целом заметно ниже. Было показано, что использование потенциалов на основе нейронных сетей при моделировании на современных графических процессорах позволяет добиться производительности расчетов одного порядка c МЕАМ-вычислениями, что, как минимум, на 4 порядка выше вычислительной эффективности ab initio-расчетов. Важнейшим результатом явился вывод о возможности применения DP, параметризованных с использованием конфигураций, соответствующих расплавам и идеальным кристаллам, для моделирования структурных дефектов в кристаллах и межфазных поверхностей.

56 0