基于深度学习算法的AlCoCuCrFeNi高熵合金拉伸变形预测模型
材料科学
2024-02-05 v1 信号处理
摘要
高熵合金（HEAs）因其具有吸引力的微观结构和力学性能而在多主元合金中脱颖而出。本研究采用分子动力学（MD）模拟和机器学习来探究AlCoCuCrFeNi高熵合金在温度、应变速率和晶粒尺寸影响下的变形机制。首先，MD模拟表明，随着应变和温度的增加，屈服应力显著降低。在其他情况下，应变速率和晶粒尺寸的变化对力学性能的影响小于应变和温度的变化。该合金在所有测试条件下均表现出超塑性行为。变形机制揭示，应变和温度是起始应变的主要来源，且剪切带沿单轴拉伸轴在工件内部移动。此外，夹杂物在轻微应变下的快速相变表明HCP夹杂相的相对不稳定性。最终，位错演化机制表明，当位错在晶界周围形核时，在增加的应变下会被输运到自由表面。令人惊讶的是，机器学习预测结果也证实了与MD模拟确认的相同特征。因此，MD与机器学习的结合增强了对HEA力学特性研究结果的可信度。这种结合填补了MD与ML之间的空白，能够显著节省进行实际实验以测试HEA变形的时间、人力和成本。
引用
@article{arxiv.2402.01578,
title = {Predictive Models based on Deep Learning Algorithms for Tensile Deformation of AlCoCuCrFeNi High-entropy alloy},
author = {Hoang-Giang Nguyen and Thanh-Dung Le},
journal= {arXiv preprint arXiv:2402.01578},
year = {2024}
}
备注
It is under revision to submit for a publication