形狀記憶合金 (SMA) 是固態(tài)驅(qū)動和熱能收集應(yīng)用的優(yōu)秀候選材料。然而，與溫度誘導(dǎo)的馬氏體轉(zhuǎn)變相關(guān)的不可逆微觀結(jié)構(gòu)機制導(dǎo)致效率低下，限制了它們的使用。

近日，來自得克薩斯農(nóng)工大學(xué)（TAMU）材料科學(xué)與工程系的研究人員使用人工智能材料選擇框架 (AIMS) 發(fā)現(xiàn)了一種新的形狀記憶合金。形狀記憶合金在鎳鈦基材料中表現(xiàn)出迄今為止最高的效率。此外，他們的數(shù)據(jù)驅(qū)動框架為未來材料開發(fā)提供了概念證明。

該研究以「Data-driven shape memory alloy discovery using Artificial Intelligence Materials Selection (AIMS) framework」為題，發(fā)表在《Acta Materialia》上。

形狀記憶合金是通過熱彈性與馬氏體相變及其逆變而具有形狀記憶效應(yīng)的由兩種以上金屬元素所構(gòu)成的材料。形狀記憶合金是形狀記憶材料中形狀記憶性能最好的材料。迄今為止，人們發(fā)現(xiàn)具有形狀記憶效應(yīng)的合金有 50 多種。

形狀記憶合金被用于需要緊湊、輕便和固態(tài)驅(qū)動的各個領(lǐng)域，取代液壓或氣動驅(qū)動器，因為它們可以在低溫下變形，然后在加熱時恢復(fù)到原來的形狀。這種獨特的性能對于應(yīng)用至關(guān)重要，例如作為飛機機翼、噴氣發(fā)動機和汽車部件，它們必須承受反復(fù)的、可恢復(fù)的大形狀變化。

自 20 世紀 60 年代中期以來，形狀記憶合金取得了許多進步，但都是有代價的。理解和發(fā)現(xiàn)新的形狀記憶合金需要通過實驗和臨時試驗和錯誤進行廣泛的研究。盡管許多已經(jīng)記錄在案大約每 10 年，就會發(fā)現(xiàn)一種重要的形狀記憶合金成分或系統(tǒng)。此外，即使形狀記憶合金取得了進步，它們也受到能量效率低的阻礙，這是由于在大的形狀變化過程中其微觀結(jié)構(gòu)的不相容性造成的。此外，眾所周知，它們很難從頭開始設(shè)計。

為了解決這些缺點，TAMU 的研究人員結(jié)合實驗數(shù)據(jù)創(chuàng)建了一個人工智能材料選擇（AIMS）計算框架，該框架能夠確定最佳材料成分并處理這些材料，從而發(fā)現(xiàn)了一種新的形狀記憶合金成分：Ni32Ti47Cu21 (at. %)。

本研究使用的 AIMS 框架的材料信息學(xué)策略，在 50 MPa 或更高的施加應(yīng)力下尋找具有最小轉(zhuǎn)換范圍和至少 1.5% 的驅(qū)動應(yīng)變的 SMA。

該過程需要使用機器從文獻和高通量實驗中提取和清理有關(guān)材料系統(tǒng)的大量數(shù)據(jù)。AIMS 框架使用各種機器學(xué)習(xí)方法來指導(dǎo)材料的探索和發(fā)現(xiàn)。學(xué)習(xí)發(fā)現(xiàn)有關(guān)材料系統(tǒng)的定性和定量信息，并對未知的材料成分和加工參數(shù)進行預(yù)測。然后合成選定的材料，并將預(yù)測與實驗數(shù)據(jù)進行比較，并重復(fù)該過程。

在使用 AIMS 進行的研究中發(fā)現(xiàn)的形狀記憶合金被預(yù)測，并證明可以實現(xiàn)有史以來最窄的滯后。換句話說，該材料在將熱能轉(zhuǎn)換為機械功時表現(xiàn)出最低的能量損失。由于相變溫度窗口極小，該材料在進行熱循環(huán)時表現(xiàn)出很高的效率。該材料在重復(fù)驅(qū)動下也表現(xiàn)出良好的循環(huán)穩(wěn)定性。

鎳鈦銅成分是形狀記憶合金的典型組成。鎳鈦銅合金通常含有 50% 的鈦并形成單相材料。使用機器學(xué)習(xí)，研究人員預(yù)測了一種不同的成分，鈦含量為 47%，銅含量為 21%。

雖然這種成分處于兩相區(qū)域并形成顆粒，但它們有助于提高材料的性能，材料科學(xué)與工程系的博士生和研究生研究助理、該論文的第一作者 William Trehern 解釋說。

特別是，這種高效的形狀記憶合金適合于利用機器產(chǎn)生的廢棄能量的熱能收集和冷卻電子設(shè)備的熱能儲存。

值得注意的是，AIMS 框架提供了在材料科學(xué)中使用機器學(xué)習(xí)技術(shù)的機會。研究人員看到了為各種其他應(yīng)用發(fā)現(xiàn)更多具有所需特性的形狀記憶合金化學(xué)物質(zhì)的潛力。

Karaman 說：“使用機器學(xué)習(xí)來發(fā)現(xiàn)我們的大腦或已知物理原理可能無法解釋的聯(lián)系是一個啟示。我們可以使用數(shù)據(jù)科學(xué)和機器學(xué)習(xí)來加快材料發(fā)現(xiàn)的速度。我也相信如果我們關(guān)注機器學(xué)習(xí)可以找到的聯(lián)系，我們就有可能發(fā)現(xiàn)我們以前不知道的材料行為背后的新物理或機制。”

Arróyave 說：“雖然機器學(xué)習(xí)現(xiàn)在廣泛用于材料科學(xué)，但迄今為止的大多數(shù)方法都側(cè)重于預(yù)測材料的特性，而不一定解釋如何處理它以實現(xiàn)目標特性。在這里，該框架不僅著眼于候選材料的化學(xué)成分，而且也關(guān)注獲得感興趣的特性所需的處理。”