利用高效机器学习原子间势模拟难熔高熵合金：缺陷与偏析
材料科学
2021-09-07 v2 计算物理
摘要
我们为 Mo-Nb-Ta-V-W 五元体系开发了一种快速且准确的机器学习原子间势，并用其研究体心立方难熔高熵合金 MoNbTaVW 中的偏析与缺陷。在块体合金中，我们观察到低温下主要以 Mo-Ta 和 V-W 二元组分的明显有序化。在受损晶体中，我们的模拟揭示了钒（合金中最小的原子）向压缩的、间隙原子富集区域（如辐射诱导的位错环）的明显偏析。钒也主导了单个自间隙原子的数量。相比之下，由于铌尺寸较大且表面能低，其偏析至宽松区域，如空洞的内表面。当退火具有过饱和缺陷浓度的样品时，我们发现与 W 完全相反，MoNbTaVW 中的间隙原子聚集仅形成小的（~1 nm）、实验上不可见的、由钒富集的位错环。通过与 W 对比，我们用高熵合金中间隙原子迁移减弱但三维化、位错环不动以及空位迁移率提高来解释这一现象，这些因素共同促进了缺陷复合而非聚集。
引用
@article{arxiv.2106.03369,
title = {Modeling refractory high-entropy alloys with efficient machine-learned interatomic potentials: defects and segregation},
author = {Jesper Byggmästar and Kai Nordlund and Flyura Djurabekova},
journal= {arXiv preprint arXiv:2106.03369},
year = {2021}
}