پیش‌بینی خواص کشسانی آلیاژهای چندعنصری اصلی با استفاده از یادگیری ماشین

زارع, الهام; تقی زاده, فردین

doi:10.22055/jrmbs.2026.20971

پیش‌بینی خواص کشسانی آلیاژهای چندعنصری اصلی با استفاده از یادگیری ماشین

نوع مقاله : مقاله پژوهشی کامل

نویسندگان

الهام زارع

فردین تقی زاده

گروه فیزیک، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران

10.22055/jrmbs.2026.20971

چکیده

طراحی آلیاژهای چندعنصری اصلی به دلیل گستردگی فضای ترکیبی و پیچیدگی ناشی از بی‌نظمی شیمیایی، مستلزم روش‌هایی سریع و کم‌هزینه برای برآورد اولیه خواص مکانیکی است. در این پژوهش، یک چارچوب داده‌محور مبتنی بر یادگیری ماشین برای پیش‌بینی ثابت‌های الاستیک C11, C12, C44 و مدول‌های مکانیکی مدول حجمی و مدول برشی در سامانه‌های آلیاژی شامل Cu، Ni، Au، Pd و Pt توسعه داده شد. داده‌های مورد استفاده از آلیاژهای دوتایی گزارش‌شده استخراج گردید و کسر اتمی عناصر به همراه انرژی چسبندگی به عنوان توصیف‌گرهای ورودی مدل‌ها انتخاب شدند. چندین الگوریتم رگرسیونی شامل مدل‌های درختی، رگرسیون بردار پشتیبان، مدل‌های منظم‌سازی‌شده، شبکه عصبی مصنوعی و مدل تجمیعی مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل‌های منتخب دقت بالایی در پیش‌بینی خواص الاستیک دارند و برای مدول حجمی، مدول برشی، C11، C12 و C44 به‌ترتیب مقادیر R2 برابر با 0.9989، 0.9832، 0.9754، 0.9642 و 0.9636 به دست آمد. تحلیل همبستگی و SHAP نشان داد که انرژی چسبندگی نقش غالبی در کنترل پاسخ الاستیک دارد، در حالی که Pt با افزایش سختی حجمی و Au با کاهش مقاومت برشی همراه است.

کلیدواژه‌ها

آلیاژهای چندعنصری

یادگیری ماشین

خواص کشسانی

انرژی بستگی

تحلیل SHAP

موضوعات

ماده چگال

عنوان مقاله English

Prediction of Elastic Properties in Multi-principal Element Alloys Using Machine Learning

نویسندگان English

Elham Zare

Fardin Taghizadeh

Department of Physics, Faculty of Basic Sciences, Yasuj University, Yasuj, Iran

چکیده English

The design of multi-principal element alloys (MPEAs), due to their vast compositional space and the complexity arising from chemical disorder, necessitates rapid and cost-effective methods for the preliminary estimation of mechanical properties. In this study, a data-driven machine learning framework was developed to predict the elastic constants (C11, C12 and C44) as well as the bulk and shear moduli for alloy systems comprising Cu, Ni, Au, Pd, and Pt. The dataset was extracted from reported binary alloys, and the atomic fractions of the elements along with binding energy were selected as the model input descriptors. Several regression algorithms, including tree-based models, Support Vector Regression, regularized regression models, Artificial Neural Networks, and ensemble models, were evaluated. The results demonstrated that the selected models achieve high predictive accuracy for elastic properties, yielding R2 values of 0.9989, 0.9832, 0.9754, 0.9642, and 0.9636 for bulk modulus, shear modulus, C11, C12 and C44, respectively. Correlation and SHAP analyses revealed that binding energy plays a dominant role in controlling the elastic response, whereas Pt is associated with an increase in bulk stiffness, and Au contributes to a reduction in shear resistance.

کلیدواژه‌ها English

Multi-principal element alloys (MPEAs)

Machine learning

Elastic properties

Binding energy

SHAP analysis

[1] J. W. Yeh, S. K. Chen, S. J. Lin, J. Y. Gan, T. S. Chin, T. T. Shun, C. H. Tsau, S. Y. Chang, Nanostructured HEAs with multiple principal elements: Novel alloy design concepts, Adv. Eng. Mater., 6 (2004) 299–303. https://doi.org/10.1002/adem.200300567

[2] B. Cantor, I. T. H. Chang, P. Knight, A. J. B. Vincent, Microstructural development in equiatomic multicomponent alloys, Mater. Sci. Eng. A, 375–377 (2004) 213–218. https://doi.org/10.1016/j.msea.2003.10.257

[3] D. B. Miracle, O. N. Senkov, Review of high entropy alloys and related concepts, Acta Mater., 122 (2017) 448–511. https://doi.org/10.1016/j.actamat.2016.08.081

[4] E. P. George, D. Raabe, R. O. Ritchie, High-entropy alloys, Nat. Rev. Mater., 4 (2019) 515–534. https://doi.org/10.1038/s41578-019-0121-4

[5] Y. Zhang, T. T. Zuo, Z. Tang, M. C. Gao, K. A. Dahmen, P. K. Liaw, Z. P. Lu, Microstructures and properties of high-entropy alloys, Prog. Mater. Sci., 61 (2014) 1–93. https://doi.org/10.1016/j.pmatsci.2013.10.001

[6] B. Gludovatz, A. Hohenwarter, D. Catoor, E. H. Chang, E. P. George, R. O. Ritchie, Fracture-resistant high-entropy alloy for cryogenic applications, Science, 345 (2014) 1153–1158. https://doi.org/10.1126/science.1254581

[7] Z. Li, K. G. Pradeep, Y. Deng, D. Raabe, C. C. Tasan, Metastable high-entropy dual-phase alloys, Nature, 534 (2016) 227–230. https://doi.org/10.1038/nature17981

[8] O. N. Senkov, G. B. Wilks, D. B. Miracle, C. P. Chuang, P. K. Liaw, Refractory high-entropy alloys, Intermetallics, 18 (2010) 1758–1765. https://doi.org/10.1016/j.intermet.2010.05.014

[9] F. Mouhat, F. X. Coudert, Necessary and sufficient elastic stability conditions in various crystal systems, Phys. Rev. B, 90 (2014) 224104. https://doi.org/10.1103/PhysRevB.90.224104

[10] G. Liu, S. Yang, Y. Zhong, High-entropy materials design by integrating the first-principles calculations and machine learning: A case study in the Al-Co-Cr-Fe-Ni system, High Entrop. Alloys Mater., 2 (2024) 307–320. https://doi.org/10.1007/s44210-024-00041-3

[11] N. Tabassum, Y. S. Sistla, R. G. Burela, M. K. Surappa, Machine learning-guided prediction of elastic properties of high-entropy alloys, J. Mater. Sci., 59 (2024) 3349–3369. https://doi.org/10.1007/s10853-024-09432-8

[12] Y. Ikeda, B. Grabowski, F. Körmann, Ab initio phase stabilities and mechanical properties of multicomponent alloys, Mater. Charact., 147 (2019) 464–511. https://doi.org/10.1016/j.matchar.2018.06.019

[13] P. Hohenberg, W. Kohn, Inhomogeneous electron gas, Phys. Rev., 136 (1964) 864–871. https://doi.org/10.1103/PhysRev.136.B864

[14] W. Kohn, L. J. Sham, Self-consistent equations including exchange and correlation effects, Phys. Rev., 140 (1965) 1133–1138. https://doi.org/10.1103/PhysRev.140.A1133

[15] S. Curtarolo, G. L. W. Hart, M. B. Nardelli, N. Mingo, S. Sanvito, O. Levy, High-throughput computational materials design, Nat. Mater., 12 (2013) 191–201. https://doi.org/10.1038/nmat3568

[16] K. T. Butler, D. W. Davies, H. Cartwright, O. Isayev, A. Walsh, Machine learning for molecular and materials science, Nature, 559 (2018) 547–555. https://doi.org/10.1038/s41586-018-0337-2

[17] R. Ramprasad, R. Batra, G. Pilania, A. Mannodi-Kanakkithodi, C. Kim, Machine learning in materials informatics, npj Comput. Mater., 3 (2017) 54. https://doi.org/10.1038/s41524-017-0056-5

[18] J. Schmidt, M. R. G. Marques, S. Botti, M. A. L. Marques, Machine learning in solid-state materials science, npj Comput. Mater., 5 (2019) 83. https://doi.org/10.1038/s41524-019-0221-0

[19] L. Ward, A. Agrawal, A. Choudhary, C. Wolverton, Machine learning framework for inorganic materials, npj Comput. Mater., 2 (2016) 16028. https://doi.org/10.1038/npjcompumats.2016.28

[20] J. J. de Pablo, N. E. Jackson, M. A. Webb, L. Q. Chen, J. E. Moore, D. Nealey, R. Ramprasad et al., New frontiers for the materials genome initiative, npj Comput. Mater., 5 (2019) 41. https://doi.org/10.1038/s41524-019-0173-4

[21] A. Agrawal, A. Choudhary, Materials informatics and big data, APL Mater., 4 (2016) 053208. https://doi.org/10.1063/1.4946894

[22] C. Wen, Y. Zhang, C. Wang, D. Xue, Y. Bai, S. Antonov, L. Dai, T. Lookman, Y. Su, Machine learning assisted design of high entropy alloys, Acta Mater., 170 (2019) 109–117. https://doi.org/10.1016/j.actamat.2019.03.010

[23] H. Chang, Y. Tao, P. K. Liaw, J. Ren, Phase prediction and intrinsic residual strain in HEAs, J. Alloys Compd., 921 (2022) 166149. https://doi.org/10.1016/j.jallcom.2022.166149

[24] N. Linton, D. S. Aidhy, ML framework for elastic constants of multi-principal element alloys, APL Mach. Learn., 1 (2023) 016109. https://doi.org/10.1063/5.0129928

[25] U. Bhandari, H. Ghadimi, C. Zhang, S. Yang, S. Guo, Predicting elastic constants of refractory CCAs, Materials, 15 (2022) 4997. https://doi.org/10.3390/ma15144997

[26] H. Mirzaee, R. Soltanmohammadi, N. Linton, J. Fischer, S. Kamrava, P. Tahmasebi et al., Elastic constants of FCC HEAs using CNN and DFT, APL Mach. Learn., 2 (2024) 046104. https://doi.org/10.1063/5.0229105

[27] J. Zhang, C. Cai, G. Kim, Y. Wang, W. Chen, Composition design of high-entropy alloys with deep sets learning, npj Comput. Mater., 8 (2022) 100. https://doi.org/10.1038/s41524-022-00779-7

[28] G. Hayashi, K. Suzuki, T. Terai, Prediction model of elastic constants of BCC high-entropy alloys based on first-principles calculations and machine learning techniques, STAM Methods, 2 (2022) 381–391. https://doi.org/10.1080/27660400.2022.2125853