A High Throughput Experimentation & Material Informatics Platform for the Discovery of Molten Salt Reactor Candidate Structural Materials
Notice bibliographique
Résumé
ASME Sec(III) Div(5) code-certified structural alloys for Molten (halide) Salt Reactors (MSRs) such as 800H, SS316, and IN617 have significant Cr content. This makes them readily-degradable in molten halide salts due to the thermodynamic favorability of soluble chromium halide formation. It is therefore imperative to discover alloys with corrosion resistance that exceeds those of currently-certified alloys, which also possess the necessary high hardness and irradiation-resistance at reactor operating temperatures as a prerequisite for the licensing and deployment of MSRs. The largely-unexplored quasi-infinite quarternary FeCrMnNi High Entropy Alloy space shows promise to yield desired alloys. We present a high-throughput (HTP) process demonstrating a turnaround time from fabrication to corrosion-testing and analysis of 1 week for 25 samples. 70 alloy samples of 1cm 2 were each corrosion-tested on 0.3g salt droplets in isolated corrosion environments. The HTP platform includes the development of an in-situ high-temperature electrochemical sensor system capable of automating the analysis of dissolved corrosion product analytes in the salt. The results of the 70 corrosion tests were used to train a Machine Learning model to predict corrosion performance metrics (eg. Elemental corrosion concentration into salt) based on an input vector parametrizing the physical properties (“descriptors”) of the alloys in the sample set. The model was tested on 20 additional samples and demonstrated conservative predictive capability as well as facilitated the reduction of input feature space from 62 dimensions to 4 dimensions with negligible loss in predictive accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».