Ett materialforskningsteam bestående av NIMS och Nagoya University har utformat ett nytt tvåstegs termiskt åldringsschema (dvs icke-isotermisk åldring eller okonventionell värmebehandling) som kan tillverka nickel-aluminium (Ni-Al)-legeringar som är starkare vid höga temperaturer än Ni-Al-legeringar tillverkade med konventionella termiska åldringsprocesser.

Detta uppnåddes genom att använda tekniker med artificiell intelligens (AI) för att identifiera flera dussin olika termiska åldringsscheman som potentiellt är effektiva för att öka legeringars högtemperaturhållfasthet. Mekanismerna bakom dessa scheman klargjordes sedan genom detaljerad analys. Dessa resultat tyder på att AI kan användas för att generera nya insikter om materialforskning.

Denna forskning publicerades i Scientific Reports den 4 augusti 2023.

Ni-Al-legeringar är sammansatta av en γ/γ´ (gamma/gamma prime) tvåfasmikrostruktur. Att öka högtemperaturhållfastheten hos dessa legeringar kräver optimering av både storleken och volymfraktionen av γ´-fasen som bildas i legeringen under den termiska åldringsprocessen. Dessa två parametrar bestäms av de förhållanden under vilka legeringar åldras termiskt (d.v.s. använda temperaturer och perioder under vilka de upprätthålls).

Det finns ett enormt antal möjliga temperatur-varaktighetskombinationer. Till exempel, uppdelning av en termisk åldringsprocess i 10 lika intervall med nio förutbestämda åldringstemperaturer resulterar i cirka 3,5 miljarder möjliga temperatur-varaktighetskombinationer. På grund av detta stora antal möjliga kombinationer hade tidigare försök att fastställa optimala termiska åldringsscheman begränsats till att använda konstanta temperaturer.

Detta forskarteam lyckades tidigare avsevärt minska den tid och kostnad som behövdes för att utvärdera dessa kombinationer genom att flytta sitt tillvägagångssätt från experiment till beräkningssimuleringar. Fortfarande tyckte teamet att det var orealistiskt att simulera alla 3,5 miljarder kombinationer.

Forskargruppen antog nyligen ett Monte Carlo-trädsökningssystem (MCTS) – en AI-algoritm som kan effektivisera ett stort antal potentiella kombinationer till ett mindre antal optimala. Med hjälp av MCTS-algoritmen identifierade teamet 110 termiska åldringsscheman som kan ge bättre resultat än konventionella isotermiska åldringsprocesser.

Teamet fann till en början att dessa mönster var komplicerade och helt annorlunda än konventionellt isotermiskt åldrande. Detaljerad analys avslöjade dock de underliggande mekanismerna bakom dessa mönster:att inledningsvis åldra ett prov vid en hög temperatur under en kort tidsperiod tillåter γ´-fällningar att växa tills de når nästan optimala storlekar, och efterföljande lågtemperaturåldring under en lång period tiden ökar deras volymfraktion samtidigt som de hindrar dem från att växa sig för stora.

Baserat på denna upptäckt utformade teamet ett termiskt åldrande i två steg – kortvarig åldrande vid hög temperatur för att starta följt av långvarig åldring vid låg temperatur. Detta schema visade sig producera Ni-Al-legeringar som var starkare vid höga temperaturer än de som producerades med något av de termiska åldringsmönster som identifierats vara effektiva av AI-algoritmen.

I framtida forskning hoppas forskargruppen öka högtemperaturhållfastheten hos mer komplexa nickelbaserade superlegeringar som redan används praktiskt i gasturbiner med denna AI-baserade teknik, och därigenom förbättra deras effektivitet.

Mer information: Vickey Nandal et al, Artificiell intelligens inspirerad design av icke-isotermisk åldrande för γ–γ′ tvåfas, Ni–Al-legeringar, Scientific Reports (2023). DOI:10.1038/s41598-023-39589-2

Journalinformation: Vetenskapliga rapporter

Tillhandahålls av National Institute for Materials Science