用于模拟聚变服役环境下力学性能退化的钨深度神经网络势
材料科学
2022-10-19 v3
摘要
钨是聚变能源装置中有前景的候选材料。分子动力学(MD)模拟揭示了原子尺度的机制,因此对于理解钨在恶劣复杂服役环境下的宏观性能劣化至关重要。MD模拟中使用的原子间势需要准确描述广泛的相关缺陷性质,这对现有原子间势而言迄今仍是挑战。本文提出一种新的三体嵌入描述符并将其混合到Deep-Potential(DP)框架中,该框架是一种端到端的深度学习原子间势模型。通过并发学习方法生成的数据集训练后,该钨势模型被命名为DP-HYB,能够准确预测包括弹性常数、层错能、自由表面与点缺陷形成能(均包含在训练数据集中)以及晶界与棱柱环形成能、螺位错核心结构、Peierls势垒与螺位错迁移转变路径(均未显式包含在训练数据集中)的广泛性质。DP-HYB是钨性能劣化原子尺度模拟的良好候选,尤其是涉及恶劣聚变服役环境下力学性能退化的模拟。
引用
@article{arxiv.2111.04281,
title = {A Tungsten Deep Neural-Network Potential for Simulating Mechanical Property Degradation Under Fusion Service Environment},
author = {XiaoYang Wang and YiNan Wang and LinFeng Zhang and FuZhi Dai and Han Wang},
journal= {arXiv preprint arXiv:2111.04281},
year = {2022}
}