VERHINDERUNG DES VERSAGENS UNTER EXTREMEN BELASTUNGEN
PREVENTING MATERIAL’S FAILURE UNDER EXTREME LOADS
Wissenschaftsdisziplinen
Informatik (25%); Werkstofftechnik (75%)
Keywords
-
MAB phases,
Molecular dynamics,
Machine-learning interatomic potentials,
Mechanical properties,
Fracture,
Ceramics
Die Verbesserung der Leistung und Biokompatibilität von Materialien sowie die Entwicklung neuer Materialien mit herausragenden Eigenschaftskombinationen sind grundlegende Herausforderungen für Technologien und Infrastrukturen, auf die wir uns verlassen, und letztlich eine wichtige Voraussetzung für Nachhaltigkeit. Moderne technische Werkstoffe sind häufig extremen Umwelteinflüssen ausgesetzt, z. B. starken mechanischen mechanische Belastungen, hohe Temperaturen oder hochenergetische Strahlung. Um ihr katastrophales Versagen zu verhindern, muss man die Defekte und Prozesse auf atomarer Skala verstehen, die durch das Material als Reaktion auf die anspruchsvollen Bedingungen. Das Projekt konzentriert sich auf keramische Werkstoffe (wie Übergangsmetallnitride, Boride oder die so genannten MAB-Phasen), die im Bereich der Schutz- und Verschleißbeschichtungen, der magnetischen Kühlung, der Strahlenabschirmung, der Elektrokatalyse oder der elektrochemischen Sensorik eingesetzt werden, und entwickelt Erkenntnisse über ihr mechanisches Versagen unter anwendungsrelevanten Bedingungen. Was die Methoden betrifft, so werden atomistische Simulationen bei endlicher Temperatur in Kombination mit modernen Methoden des maschinellen Lernens eingesetzt, insbesondere unter Ausnutzung des Konzepts der interatomaren Potenziale des maschinellen Lernens (MLIPs), das in den letzten Jahren zu einem wichtigen Forschungsthema geworden ist. Mit diesem Ansatz lässt sich das Verhalten komplexer Materialsysteme in Größenordnungen vorhersagen, die für die hochauflösende Mikroskopie zugänglich sind, und zwar mit nahezu quantenmechanischer Genauigkeit, aber deutlich geringeren Rechenkosten. Zu den wichtigsten Herausforderungen des Projekts gehören effiziente Trainings- und Validierungsstrategien für MLIPs, die auf Simulationen auf der Nanoskala anwendbar und auf eine breite Reihe von Spannungs-/Temperaturbedingungen übertragbar sind, einschließlichverschiedener kristallografischer Defekte und/oder Nanoschichtarchitekturen. Eine weitere schwierige Aufgabe ist die Entwicklung von Simulationsaufbauten, die moderne mikromechanische Experimente, wie z. B. Säulendruck- oder Auslegerbiegeversuche, relativ einfach nachbilden. Atomistische Simulationen werden durch gezielte Experimente ergänzt, die von gut etablierten Kooperationspartnern in Österreich oder im Ausland durchgeführt werden, die Zugang zu fortschrittlichen Einrichtungen für Dünnschichtwachstum, Charakterisierung und mikromechanische Tests haben. Die dabei gewonnenen Erkenntnisse werden zur Formulierung von Konstruktionsrichtlinien für keramische Werkstoffe mit hervorragender Widerstandsfähigkeit gegen mechanisches Versagen dienen.
- Technische Universität Wien - 100%
Research Output
- 1 Zitationen
- 1 Publikationen
-
2025
Titel Machine-learning potentials for structurally and chemically complex MAB phases: Strain hardening and ripplocation-mediated plasticity DOI 10.1016/j.matdes.2025.114307 Typ Journal Article Autor Koutná N Journal Materials & Design Seiten 114307 Link Publikation