Maskininlärningstekniker har bidragit till framsteg inom vetenskap och teknik, allt från hälso- och sjukvård till högenergifysik. Nu, maskininlärning är redo att hjälpa till att påskynda utvecklingen av starkare legeringar, särskilt rostfritt stål, för Amerikas flotta för termisk kraftproduktion. Starkare material är nyckeln till att producera energi effektivt, vilket resulterar i ekonomiska fördelar och avkolningsfördelar.

"Användningen av ultrahöghållfasta stål i kraftverk går tillbaka till 1950-talet och har gynnats av gradvisa förbättringar av materialen över tiden, "säger Osman Mamun, en postdoktoral forskningsassistent vid Pacific Northwest National Laboratory (PNNL). "Om vi ​​kan hitta sätt att påskynda förbättringar eller skapa nytt material, vi kunde se ökad effektivitet i anläggningar som också minskar mängden kol som släpps ut i atmosfären. "

Mamun är huvudförfattare till två senaste, relaterade tidningsartiklar som avslöjar nya strategier för maskininlärningens tillämpning vid utformning av avancerade legeringar. Artiklarna krönika forskningsresultaten av en gemensam insats mellan PNNL och National Energy Technology Laboratory (NETL). Förutom Mamun, forskargruppen inkluderade PNNL:s Arun Sathanur och Ram Devanathan och NETL:s Madison Wenzlick och Jeff Hawk.

Arbetet finansierades under US Department of Energy's (DOE:s) kontor för fossil energi via "XMAT" —eXtreme environment MATerials — consortium, som inkluderar forskningsbidrag från sju nationella DOE -laboratorier. Konsortiet försöker påskynda utvecklingen av förbättrade värmebeständiga legeringar för olika kraftverkskomponenter och att förutsäga legeringarnas långsiktiga prestanda. Insidan av kraftverk

Ett värmekraftverkets inre miljö är oförlåtande. Drifttemperaturer på mer än 650 grader Celsius och spänningar överstigande 50 megapascal testar en fabriks stålkomponenter.

"Men också, den höga temperaturen och trycket, tillsammans med pålitliga komponenter, är avgörande för bättre termodynamisk effektivitet som leder till minskade koldioxidutsläpp och ökad kostnadseffektivitet, "Förklarar Mamun.

PNNL – NETL -samarbetet fokuserade på två materialtyper. Austenitiskt rostfritt stål används ofta i växter eftersom det erbjuder styrka och utmärkt korrosionsbeständighet, men dess livslängd vid höga temperaturer är begränsad. Ferritiskt-martensitiskt stål som innehåller krom i intervallet 9 till 12 procent erbjuder också styrka, men kan vara benägen för oxidation och korrosion. Anläggningsoperatörer vill ha material som motstår sprickor och håller i årtionden.

Över tid, "trial and error" experimentella tillvägagångssätt har stegvis förbättrat stål, men är ineffektiva, tidskrävande, och dyrt. Det är avgörande att påskynda utvecklingen av nya material med överlägsna egenskaper. Modeller för att förutsäga bristningsstyrka och liv

De senaste framstegen inom beräkningsmodellering och maskininlärning, Mamun säger, har blivit viktiga nya verktyg i strävan efter att snabbare uppnå bättre material.

Maskininlärning, en form av artificiell intelligens, tillämpar en algoritm på datamängder för att utveckla snabbare lösningar för vetenskapsproblem. Denna förmåga gör stor skillnad i forskning världen över, i vissa fall raka avsevärd tid av vetenskaplig upptäckt och teknikutveckling.

PNNL – NETL -forskargruppens tillämpning av maskininlärning beskrevs i deras första tidningsartikel, "En maskininlärningsstödad tolkningsmodell för brottstyrkeprognos i Fe-baserade martensitiska och austenitiska legeringar, "publicerad 9 mars Vetenskapliga rapporter .

Papperet berättar om lagets ansträngningar att förbättra och analysera datauppsättningar i rostfritt stål, bidragit av NETL -teammedlemmar, med tre olika algoritmer. Det slutliga målet var att konstruera en exakt förutsägbar modell för bristningsstyrkan hos de två typerna av legeringar. Teamet drog slutsatsen att en algoritm som kallas Gradient Boosted Decision Tree bäst uppfyllde behoven för att bygga maskininlärningsmodeller för korrekt förutsägelse av brottstyrka.

Ytterligare, forskarna hävdar att integrering av de resulterande modellerna i befintliga legeringsdesignstrategier kan påskynda identifieringen av lovande rostfria stål som har överlägsna egenskaper för att hantera stress och påfrestningar.

"Detta forskningsprojekt tog inte bara ett steg mot bättre tillvägagångssätt för att utvidga driftshöljet för stål i kraftverk, men också demonstrerade maskininlärningsmodeller baserade på fysik för att möjliggöra tolkning av domänforskare, "säger forskargruppmedlem Ram Devanathan, en PNNL -beräkningsmaterialforskare. Devanathan leder XMAT -konsortiets datavetenskapliga inriktning och sitter i organisationens styrkommitté.

Projektgruppens andra artikel, "Machine Learning Augmented Predictive and Generative Model for Rupture Life in Ferritic and Austenitic Steel, "publicerades i npj Materialförstöring är den 16 april upplaga.

Teamet drog slutsatsen i tidningen att en maskininlärningsbaserad förutsägbar modell på ett tillförlitligt sätt kan uppskatta livslängden för de två legeringarna. Forskarna beskrev också en metod för att generera syntetiska legeringar som kan användas för att öka befintliga glesa rostfria datamängder, och identifierade begränsningarna för ett sådant tillvägagångssätt. Att använda dessa "hypotetiska legeringar" i modeller för maskininlärning gör det möjligt att bedöma prestanda hos kandidatmaterial utan att först syntetisera dem i ett laboratorium.

"Fynden bygger på tidigare tidningars slutsatser och representerar ytterligare ett steg mot att upprätta tolkningsbara modeller för legeringens prestanda i extrema miljöer, samtidigt som den ger insikter om utveckling av datauppsättningar, "Devanathan säger." Båda artiklarna visar XMATs tänkande ledarskap inom detta snabbt växande område. "