Hybride Modellierung der Korngrenzensegregation

Maschinelles Lernen wird immer mehr zu einem integralen Bestandteil der Werkstofftechnik und bietet neue Ansätze zur Erforschung des Zusammenhangs zwischen der inneren Struktur und den Eigenschaften von Werkstoffen. Im Projekt "GRAMMACS: Hybride Modellierung der Korngrenzensegregation" werden wir Berechnungsmethoden für einen hochrelevanten Aspekt der Werkstofftechnik entwickeln, nämlich die Segregation von Legierungselementen zur Korngrenze (KG). Wir Segregationsdatenbanken, physikalische Modellierungskonzepte die teilweise vom Projektteam entwickelt wurden, und Methoden des maschinellen Lernens kombinieren, um eine prädiktive Modellierung der Segregation zu erreichen, wo die derzeitigen Ansätze nicht anwendbar sind oder bekanntermaßen versagen. Wir folgen der Hypothese, dass der effektivste Ansatz eine Kombination aus physikalischer Modellierung und maschinellem Lernen sein wird, d. h. ein hybrider Ansatz. Im Allgemeinen sind in der Werkstofftechnik Daten nicht in einem Umfang verfügbar, der mit Bilderkennung oder Prozessautomatisierung mit Milliarden von Datenpunkten vergleichbar ist, wo ein Black-Box-Ansatz für maschinelles Lernen funktionieren kann. Vielmehr haben wir es mit relativ präzisen Datenpunkten zu tun, die einen erheblichen experimentellen oder rechnerischen Aufwand erfordern. Wir werden daher quantenmechanischen Simulationen und thermodynamischen Simulationen mit geeigneten Regressionsmethoden kombinieren um die Daten bestmöglich zu nutzen. Mit diesen Methoden wollen wir eine prädiktivere Simulation der KG Segregation erreichen, die die chemische Zusammensetzung und Struktur der KG und in weiterer Folge die mechanischen Eigenschaften von metallischen Legierungen bestimmt. Große Aufmerksamkeit wird dem Einfluss von gelösten Legierungselementen auf den Zusammenhalt der KG gewidmet. Man kann sich vorstellen, dass Legierungselemente wie ein "Klebstoff wirken können, der einen Bruch der KG verhindern kann. Umgekehrt können sie aber auch die Bindungen aufreißen und den Bruch begünstigen. Die Relevanz der Segregation geht jedoch über die Betrachtung der Kohäsion hinaus. Es ist bekannt, dass KG Segregationen ein Vorläufer für Ausscheidungen neuer Phasen sind und diese stark beeinflussen. Außerdem beginnen Phasenumwandlungen in Stählen oft an der KG und auch hier spielt Segregationszustand eine entscheidende Rolle. Daher ist ein gezieltes Einstellen der KG Segregation und der daraus resultierenden Chemie eine entscheidende Voraussetzung für das funktionelle und mechanische Design von metallischen Legierungen.

Maschinelles Lernen wird zunehmend zu einem integralen Bestandteil der Werkstoffwissenschaft und bietet neue Ansätze zur Erforschung der Beziehung zwischen der inneren Struktur von Werkstoffen und deren Eigenschaften . Im Projekt "GRAMMACS: Hybrid modeling of grain boundary segregation" haben wir Berechnungsmethoden für einen hochrelevanten Aspekt der Werkstoffwissenschaft entwickelt, nämlich die Anreicherung oder Segregation von Legierungselementen an der Korngrenze (KG). Wir haben Segregationsdatenbanken, physikalische Modellierungskonzepte, die zum Teil vom Projektteam entwickelt wurden, und Methoden des maschinellen Lernens kombiniert, um Segregationen vorherzusagen. Mit diesen Methoden konnten neue Werkzeuge erstellt werden die es erlauben, die chemische Zusammensetzung und die Struktur von KGs und damit die mechanischen Eigenschaften von Metalllegierungen zu bewerten. Im Allgemeinen sind in der Werkstoffwissenschaft oft Daten nicht in einer Größenordnung verfügbar wie es in der Bilderkennung oder der Prozessautomatisierung mit Milliarden von Datenpunkten typisch ist. Vielmehr haben wir es hier mit relativ präzisen Datenpunkten zu tun, die einen erheblichen experimentellen oder rechnerischen Aufwand erfordern. Daher sind sogenannte Black-box Modelle nicht allein zielführend. Wir haben quantenmechanische und thermodynamische Simulationen mit geeigneten Regressionsmethoden kombiniert, um die Daten bestmöglich zu nutzen. Große Aufmerksamkeit wurde dem Einfluss von Segregationen auf die Kohäsion von KGs gewidmet. Man kann sich vorstellen, dass Legierungselemente wie ein Klebstoff wirken können, der ein Aufbrechen der KG verhindern kann. Umgekehrt können sie aber auch die Bindungen schwächen und den Bruch fördern oder überhaupt induzieren. Wir haben auf der Grundlage quantenmechanischer Berechnungen große Datensätze für die Segregation und Kohäsion von GB erstellt und maschinelles Lernen angewandt, um die teuren Berechnungen durch rechnerisch wesentlich günstigere Algorithmen zu ersetzen. Diese Algorithmen machen auch Vorhersagen, für die keine Daten generiert wurden, und liefern somit universelle Segregationsmodelle. Zu den untersuchten Materialien gehörten Al, Cu, Fe, Mg, Mo, Nb, Ni, Ta, Ti und W, wobei der Schwerpunkt auf Fe und W lag, da diese Materialien als strukturgebende Werkstoffe von großer Bedeutung sind. Die gewonnenen Daten und Segregationsmodelle sind nicht nur für die Verringerung der Korngrenzenversprödung relevant. Es ist bekannt, dass KG-Segregationen Vorläufer für die Ausscheidung neuer Phasen sind und diese stark beeinflussen. Darüber hinaus beginnen Phasenumwandlungen in Stählen häufig an der Korngrenze, und auch hier spielt der Seigerungszustand eine entscheidende Rolle. Daher können unsere hybriden Modelle für Segregation und der daraus resultierenden KG-Chemie bei der Gestaltung der funktionellen und mechanischen Eigenschaften von Metalllegierungen eingesetzt werden.