通过机器学习引导的 aging 与多尺度表征揭示 YSZ 陶瓷的降解机制
材料科学
2025-08-29 v1 应用物理
摘要
钇镱稳化锆（YSZ）基能源和生物医疗器件的长期性能因低温降解（LTD）而受到影响。本研究提出了一种新型方法，将机器学习引导的水热 aging 与多尺度表征相结合，以解析 3 钇摩尔百分比 YSZ 的两种降解机制。阶段 1（0 至 30 小时）特征为初始表面凹陷建设，过渡到阶段 2（30 至 60 小时）的部分细化和凹陷分布，同时伴随单斜相含量上升。不断演化的微结构增加三相界牵引度，三相界牵引度成为降解热点，在此处空位交换和水分子进入加速相变。这些发现表明， grain boundary 化学性而非晶粒尺寸本身是关键 LTD 驱动因素，建议进行边界工程以提高 YSZ 能源、生物医疗和热应用中的稳定性。
引用
@article{arxiv.2508.20149,
title = {Revealing degradation mechanisms in YSZ ceramics through machine learning-guided aging and multiscale characterization},
author = {Prachi Garg and Baishakhi Mazumder},
journal= {arXiv preprint arXiv:2508.20149},
year = {2025}
}
备注
Supplementary information is provided at the end of the manuscript