機器學習技術促進了從醫療保健到高能物理等科技領域的進步?，F在，機器學習有望幫助火力發電廠加速開發更堅固的合金，尤其是不銹鋼。更堅固的材料是高效生產能源的關鍵，從而帶來經濟和脫碳效益。

「在發電廠中的使用超高強度鋼的歷史可追溯到20世紀50年代，隨著時間的推移，材料逐漸改進?！固窖笪鞅眹覍嶒炇?(PNNL) 的博士后研究助理 Osman Mamun 說。「如果我們能找到加快改進或創造新材料的方法，我們就能看到工廠效率提高，同時減少排放到大氣中的碳量?！?/p>

Mamun 是最近兩篇相關期刊文章的主要作者，這些文章揭示了機器學習在高級合金設計中的應用新策略。這些文章記錄了 PNNL 和國家能源技術實驗室 (NETL) 共同努力的研究成果。除了Mamun，研究團隊還包括 PNNL 的 Arun Sathanur 和 Ram Devanathan，以及 NETL 的 Madison Wenzlick 和 Jeff Hawk。

[[407854]]

這項工作由美國能源部 (DOE) 化石能源辦公室通過極端環境材料聯盟（eXtreme environment MATerials consortium，XMAT）資助，其中包括來自七個 DOE 國家實驗室的研究貢獻。該聯盟尋求加速開發用于各種發電廠部件的改進耐熱合金，并預測合金的長期性能。

火力發電廠的內部環境是無情的。超過 650 攝氏度的工作溫度和超過 50 兆帕的壓力對工廠的鋼部件進行考驗。

「而且，高溫和高壓以及可靠的組件對于提高熱力學效率至關重要，從而減少碳排放并提高成本效益?！?Mamun解釋道。

兩種不銹鋼

PNNL-NETL的合作側重于兩種材料類型：奧氏體不銹鋼和含9-12% 鉻鐵素體-馬氏體合金 (FMA)。奧氏體不銹鋼因其強度高、耐腐蝕性好而廣泛應用于工廠，但其在高溫下的使用壽命有限。含9-12% 鉻鐵素體-馬氏體合金 (9-12% Cr FMA)也具有強度優勢，但容易氧化和腐蝕。工廠運營商需要能抗斷裂并持續數十年的材料。要想設計具有更長使用壽命的高強度鋼，需要徹底了解材料的長期特性，例如 斷裂強度、斷裂壽命 等。

隨著時間的推移，「試錯法」 的實驗方法逐漸改進了鋼材，但效率低下、耗時且成本高昂。加快開發具有優異性能的新型材料至關重要。需要預測斷裂強度和壽命的模型。

Mamun 說，計算建模和機器學習的最新進展，已成為更快獲得更好材料的重要新工具。

機器學習是人工智能的一種形式，它將算法應用于數據集，為科學問題開發更快的解決方案。這種能力在世界范圍內的研究中產生了巨大的影響，在某些情況下，可以節省大量的科學發現和技術發展時間。

預測斷裂強度機器模型

NNL-NETL研究團隊的 第一篇文章 《用于鐵基馬氏體和奧氏體合金斷裂強度預測的機器學習輔助可解釋模型》「 A Machine Learning Aided Interpretable Model for Rupture Strength Prediction in Fe-based Martensitic and Austenitic Alloys 」于3月9日發表在《科學報告》（ Scientific Reports ）雜志上，描述了機器學習在合金斷裂強度預測的應用。

該論文敘述了該團隊使用三種不同算法（高斯過程回歸 (GPR)、 神經網絡 (NN)和 梯度提升決策樹 (GBDT)）增強和分析不銹鋼數據集。最終目標是為兩種合金的斷裂強度構建準確的預測模型。研究表明：一種稱為梯度增強決策樹（Gradient Boosted Decision Tree，GBDT）的算法最能滿足構建機器學習模型以準確預測斷裂強度的需求。

9-12% Cr FMA（左）和奧氏體不銹鋼（右）的 GBDT 回歸測試數據的奇偶圖

訓練后的模型已針對未見的測試數據進行了交叉驗證，并在相關系數方面取得了很高的預測性能（9-12% Cr FMA 的 R ² >0.98，奧氏體不銹鋼的 R ² >0.95）。

此外，研究人員認為，將所得模型集成到現有合金設計策略中，可以加快識別具有處理應力和張力優異性能的有前途的不銹鋼。

9-12% Cr FMA（左）和奧氏體不銹鋼（右）不同特征的重要性

研究小組成員、PNNL計算材料科學家Ram Devanathan說：「該研究項目不僅朝擴展發電廠鋼鐵的運行范圍更好的方法邁出了一步，而且還展示了以物理學為基礎的機器學習模型，使科學家進行解釋。」

預測斷裂壽命機器模型

項目團隊的 第二篇文章 《鐵素體鋼和奧氏體鋼的斷裂壽命的機器學習增強預測和生成模型》「 Machine Learning Augmented Predictive and Generative Model for Rupture Life in Ferritic and Austenitic Steels 」發表在4月16日的《 npj Materials Degradation 》上。

研究表明：基于機器學習的預測模型可以可靠地估計兩種合金的斷裂壽命。研究人員還描述了一種生成合成合金的方法，該方法可用于增加現有的稀疏不銹鋼數據集，并確定了這種方法的局限性。在機器學習模型中使用這些「假設合金」可以評估候選材料的性能，而無需先在實驗室中合成它們。

基于變分自編碼器 (VAE) 的生成模型用于創建合成合金樣本，以協助合金的逆向設計。開發的生成模型的另一個應用是數據增強，以提高 ML 模型的性能。 研究表明VAE 生成的樣品主要取自有更多實驗數據可用的空間，即無法從高破裂壽命空間生成合金。 有幾種方法可以改進采樣，例如馬爾可夫鏈蒙特卡羅 (MCMC) 采樣。

真實樣品和機器學習模型預測生成樣品的斷裂壽命的小提琴圖（a: 9–12% Cr 數據集；b：奧氏體鋼數據集）

Devanathan 說：「這些發現建立在早期論文的結論之上，代表了在極端環境下建立可解釋的合金性能模型的又一步，同時也為數據集的開發提供了見解。這兩篇論文都展示了 XMAT 在這個快速發展的領域中的思想領導地位?！?/p>

論文鏈接：

https://www.nature.com/articles/s41529-021-00166-5

https://www.nature.com/articles/s41598-021-83694-z