Il machine learning migliora la resistenza alla corrosione negli leghe ad alta entropia

La corrosione è un grosso problema nella nostra società, causando danni significativi a strutture e componenti progettati. Una soluzione promettente per questo problema è lo sviluppo di leghe ad alta entropia. Questi materiali, fatti di un mix di diversi elementi, hanno mostrato potenzialità per essere resistenti alla corrosione. Tuttavia, progettare queste leghe è una sfida a causa della vasta gamma di combinazioni nella loro composizione.

#Cosa sono le Leghe ad Alta Entropia?

Le leghe ad alta entropia (HEA) sono materiali composti da almeno quattro elementi diversi, con ogni elemento che contribuisce a una certa percentuale del totale. Questo approccio porta a una disposizione unica degli atomi e può migliorare le proprietà del materiale. Queste leghe hanno guadagnato interesse per la loro resistenza superiore, resistenza alle radiazioni e resistenza alla corrosione.

#La Sfida nella Progettazione delle Leghe

La difficoltà nel progettare le HEA sta nel numero elevato di combinazioni possibili nelle loro composizioni. I metodi tradizionali, come il prova e errore o i calcoli diretti, non sono efficaci per trovare rapidamente le migliori composizioni. Questo richiede l'uso di strumenti avanzati, in particolare il machine learning, per accelerare il processo di scoperta.

#Machine Learning nella Scoperta delle Leghe

Il machine learning consiste nell’utilizzare algoritmi per analizzare dati, apprendere da essi e fare previsioni. In questo contesto, può aiutare a identificare quali combinazioni di elementi nelle leghe ad alta entropia sono più probabilmente in grado di offrire la migliore resistenza alla corrosione. Impiegando un framework di machine learning, possiamo modellare metriche importanti relative alla resistenza alla corrosione.

#Metriche Chiave per la Resistenza alla Corrosione

Per valutare la resistenza alla corrosione di diverse composizioni di leghe, ci concentriamo su tre metriche principali:

1. Formabilità a Fase Singola: Questa metrica valuta se una certa composizione può formare una struttura a fase singola, il che è vantaggioso per la resistenza alla corrosione.

2. Rapporto Pilling-Bedworth (PBR): Questo rapporto misura la compattezza degli strati di ossido che si formano sulla superficie della lega. Un PBR adeguato indica una migliore protezione contro la corrosione.

3. Energia Superficiale: Un'energia superficiale più bassa è associata a una migliore resistenza alla corrosione. Questa metrica è legata a quanto facilmente gli atomi possono lasciare la superficie della lega quando esposti a ambienti corrosivi.

#Applicazione del Machine Learning per Prevedere le Metriche

Nel nostro approccio, sviluppiamo due tipi di modelli di machine learning. Il primo modello utilizza dati da esperimenti precedenti per prevedere se una certa composizione può formare una struttura a fase singola. Il secondo modello utilizza dati di principi fondamentali per calcolare il PBR e le Energie Superficiali per varie composizioni.

#Addestramento dei Modelli

Per addestrare il modello random forest per prevedere la formabilità a fase singola, abbiamo utilizzato un ampio dataset derivato da esperimenti. Il modello analizza le composizioni in input e prevede la probabilità di formare una fase singola.

Per il secondo modello incentrato sul calcolo del PBR e delle energie superficiali, abbiamo utilizzato potenziali di machine learning addestrati su dati fondamentali. Questi potenziali consentono previsioni rapide sulle proprietà di diverse composizioni di leghe.

#Test del Framework

Il nostro framework è stato testato specificamente su un tipo di lega ad alta entropia conosciuta come AlCrFeCoNi. Abbiamo variato le quantità di alluminio e cromo mantenendo costanti ferro, cobalto e nichel. Attraverso questo test, siamo riusciti a mappare le tre metriche di corrosione in base a diverse composizioni.

#Risultati dell'Analisi

Le previsioni fatte dai modelli di machine learning si sono accordate bene con le osservazioni sperimentali. Abbiamo trovato che quantità inferiori di alluminio, insieme a circa il 18% di cromo, portavano a composizioni che mostravano un'ottima resistenza alla corrosione.

#Risultati sulla Formabilità a Fase Singola

Il modello random forest ha mostrato un'alta precisione nel prevedere la formabilità a fase singola su tutta la gamma di composizioni testate. Questa alta precisione ci consente di identificare con fiducia composizioni che sono più propense a formare la struttura a fase singola desiderata.

#Scoperte sul Rapporto Pilling-Bedworth

Per il rapporto Pilling-Bedworth, abbiamo trovato che valori più alti erano associati a un aumento del contenuto di alluminio e cromo. I valori di rapporto calcolati indicavano un forte potenziale per queste composizioni di formare film di ossido compatti, offrendo così una migliore protezione contro la corrosione.

#Tendenze dell'Energia Superficiale

I risultati sull'energia superficiale suggerivano che certe combinazioni di alluminio e cromo portavano a un'energia superficiale più bassa, corrispondente a una migliore resistenza alla corrosione. In particolare, le energie superficiali variavano notevolmente in base alla composizione scelta, evidenziando ulteriormente l'importanza di una selezione attenta.

#Implicazioni dei Risultati

I risultati dimostrano un forte legame tra la composizione scelta delle leghe ad alta entropia e la loro resistenza alla corrosione. I modelli di machine learning si sono rivelati efficaci nel ristrettare l'ampio spazio di composizioni per trovare rapidamente candidati promettenti.

#Direzioni Future

Anche se questo lavoro si è concentrato su alcune proprietà e metriche, c'è spazio per miglioramenti. Studi futuri potrebbero dover considerare fattori aggiuntivi come l'interazione degli ioni cloruro con le leghe o altre metriche di prestazione che contribuiscono alla resistenza complessiva alla corrosione.

#Conclusione

In conclusione, l'applicazione del machine learning nella scoperta di leghe ad alta entropia resistenti alla corrosione offre una strada promettente per la ricerca e lo sviluppo di materiali. La capacità di prevedere efficientemente le metriche di resistenza alla corrosione può portare a nuovi materiali con maggiore durata e prestazioni, beneficiando infine vari settori che si basano su materiali robusti in ambienti impegnativi.

Affinando questo framework ed esplorando nuovi metodi di analisi, i ricercatori possono continuare a far progredire il campo della scienza dei materiali. Questo lavoro contribuisce a stabilire una base per future scoperte e innovazioni nell'area dei materiali resistenti alla corrosione.