Phase Prediction Methodologies for Rapid Screening of High Entropy Alloys
Notice bibliographique
Résumé
Abstract Increasing gas turbine hot section temperatures is a venue to improve fuel efficiency, thus pushing the need for new, higher temperature resistant materials. Experimental results show that high entropy alloys (HEAs), consisting of near equiatomic amounts of various metallic elements with no clear solvent, exhibit excellent high temperature mechanical properties, corrosion resistance, and good strength to weight ratios. This has resulted in significantly increased interest in studying HEAs for potential gas turbine application over the past decade. The properties of HEAs tend to be highly sensitive to phase composition; however, pre-existing phase prediction methodologies used for traditional alloy compositions, with a clearly defined solvent, are generally not well suited to HEAs. Additionally, the combination of the vast design space and complex elemental interactions render experimental exploration of new HEAs unfeasible at scale, necessitating higher throughput methods. Computer aided calculation of phase diagrams and first principal calculations are well established methods for predicting the phase structure of hypothetical alloy compositions, however they tend to be very computationally intensive and thus their speed is highly limited by available hardware. Two prediction methods capable of rapidly screening candidate composition are empirically developed design parameters based on values derived from the elemental composition of the alloys and machine learning models trained using available experimental HEA phase compositions. This simplifies the calculations and the input parameters required for both methodologies are readily available. This work compares the effectiveness of a variety of empirical design parameters and a pre-trained machine learning model, based on a convolutional neural network architecture, at predicting the resultant phases in various HEA compositions, including the W-Nb-Mo-Ta-Ti-Zr alloy system.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».