机器学习技术推动科技领域从医疗保健到高能物理的进步。现在，机器学习有望帮助热电厂加快开发强度更高的合金，尤其是不锈钢。更坚固的材料是高效生产能源的关键，从而带来经济效益和脱碳效益。太平洋西北国家实验室(PNNL)的博士后研究员OsmanMamun说：“早在1950年代，超高强度钢就已被用于发电厂，而且这种材料随着时间的推移得到了改进。”“如果我们能找到更快地改进或创造新材料的方法，我们就能看到工厂效率提高，同时减少排放到大气中的碳量。”Mamun是最近两篇相关期刊文章的主要作者，这些文章揭示了将机器学习应用于高级合金设计的新策略。这些文章记录了PNNL和国家能源技术实验室(NETL)的研究工作。除了Mamun，研究团队还包括PNNL的ArunSathanur和RamDevanathan，以及NETL的MadisonWenzlick和JeffHawk。这项工作由美国能源部(DOE)化石能源办公室通过极端环境材料联盟(XMAT)资助，包括七个美国能源部国家实验室的研究贡献。该联盟寻求加速改进耐热合金的开发，以用于各种发电厂部件，并预测合金的长期性能。火力发电厂内的环境是严酷的。超过650摄氏度的工作温度和超过50兆帕的压力使工厂的钢部件经受考验。“此外，高温高压以及可靠的组件对于提高热力学效率至关重要，从而减少碳排放并提高成本效益，”Mamun解释道。两种不锈钢PNNL-NETL合作侧重于两种材料类型：奥氏体不锈钢和铬含量为9-12%的铁素体-马氏体合金(FMA)。奥氏体不锈钢因其强度高、耐腐蚀性好而广泛应用于工厂，但在高温下使用寿命有限。9-12%Cr铁素体-马氏体合金(9-12%CrFMA)也具有强度优势，但容易氧化和腐蚀。工厂运营商需要能够抵抗断裂并持续使用数十年的材料。设计使用寿命更长的高强度钢需要透彻了解材料的长期性能，例如断裂强度、断裂寿命等。“反复试验”的实验方法随着时间的推移逐渐改进了钢材，但效率低下、耗时且成本高昂。加快开发性能优越的新材料至关重要。需要模型来预测断裂强度和寿命。Mamun说，计算建模和机器学习的最新进展已成为更快获得更好材料的重要新工具。机器学习是人工智能的一种形式，它将算法应用于数据集以开发更快的科学问题解决方案。这种能力对全世界的研究产生了巨大影响，在某些情况下，还为科学发现和技术开发节省了大量时间。NNL-NETL研究团队关于预测断裂强度机器模型的第一篇文章《用于铁基马氏体和奥氏体合金断裂强度预测的机器学习辅助可解释模型》《AMachineLearningAidedInterpretableModelforRuptureStrengthPredictioninFe-basedMartensiticandAusteniticAlloys》于3月9日发表于《科学报告》（Scientific报告，描述了机器学习在合金断裂强度预测中的应用。论文描述了团队如何使用三种不同的算法增强和分析不锈钢数据集：高斯过程回归(GPR)、神经网络(NN)和梯度提升决策树(GBDT)。最终目标是为两种合金的断裂强度建立准确的预测模型。研究表明，一种称为梯度提升决策树(GBDT)的算法最能满足构建机器学习模型以准确预测的需求fracturestrength.9-12%CrFMA（左）和奥氏体不锈钢（右）GBDT回归测试数据的奇偶图对看不见的测试数据进行交叉验证并实现了高相关系数预测特性（对于9-12%CrFMA，R2>0.98，对于奥氏体不锈钢，R2>0.95）。此外，研究人员认为，将所得模型整合到现有合金设计策略中可以加快识别具有处理应力和张力的卓越性能的有前途的不锈钢。PNNL的计算材料科学家、关于9-12%CrFMA（左）和奥氏体不锈钢（右）不同特性的重要性的研究小组成员RamDevanathan说：“这个研究项目不仅旨在在扩大电厂钢的操作范围方面。该方法更进一步，还展示了一个基于物理学的机器学习模型，使科学家能够解释它。《npj Materials Degradation》“MachineLearningAugmentedPredictiveandGenerativeModelforRuptureLifeinFerriticandAusteniticSteels”，预测断裂寿命机器模型项目组的第二篇文章，于4月16日发表于《npj Materials Degradation》。研究表明，一个机器基于学习的预测模型可以可靠地估计两种合金的断裂寿命。研究人员还描述了一种生成合成合金的方法，该方法可用于扩充现有的稀疏不锈钢数据集，并确定该方法的局限性。在机器学习模型中使用这些“假设合金”可以评估候选材料的特性，而无需首先在实验室中合成它们。基于变分自动编码器(VAE)的生成模型用于创建合成合金样本，以协助合金的逆向设计。开发的生成模型的另一个应用是数据增强，以提高ML模型的性能。研究表明，VAE生成的样品主要取自可获得更多实验数据的空间，即合金无法从高断裂寿命空间生成。有几种方法可以改进抽样，例如马尔可夫链蒙特卡洛(MCMC)抽样。真实样本的断裂寿命小提琴图和生成样本的机器学习模型预测（a：9–12%Cr数据集；b：奥氏体钢数据集）Devanathan说：“这些发现建立在早期论文的结论之上，代表了进一步的进步致力于在极端环境中建立合金特性的可解释模型，同时也为数据集的开发提供见解。这两篇论文都证明了XMAT在这个快速发展的领域中的思想领导地位。”论文链接：https://www.nature.com/articles/s41529-021-00166-5https://www.nature.com/articles/s41598-021-83694-z
