机器学习技术正在推动从医疗保健到高能物理等多个科技领域的进步。如今，机器学习有望为火力发电厂加速开发更坚固的合金，特别是不锈钢。更强韧的材料是高效能源生产的关键，能够带来经济效益和减碳效果。
太平洋西北国家实验室（PNNL）的博士后研究助理OSMan MaMun表示：“火力发电厂使用超高强度钢的历史可以追溯到20世纪50年代，随着时间的推移，材料得到了持续改进。通过加速材料的改进或开发新材料，我们可以提高工厂效率，同时减少碳排放。”
MaMun是最近发表的两篇相关期刊文章的主要作者，这些文章揭示了机器学习在高级合金设计中的新策略。这些研究成果是PNNL与国家能源技术实验室（NETL）共同努力的结果。研究团队还包括PNNL的ARun SathanuR和RaM Devanathan，以及NETL的Madison Wenzlick和JeFF Hawk。
这项研究得到了美国能源部（DOE）化石能源办公室的资助，支持通过极端环境材料联盟（XMAT）的合作，该联盟包括来自七个DOE国家实验室的研究贡献。该联盟旨在加快开发用于各类发电厂部件的改进耐热合金，并预测其长期性能。
火力发电厂的内部环境极为严酷，工作温度超过650摄氏度，压力超过50兆帕，给钢部件带来了巨大的考验。
MaMun解释道：“高温和高压以及可靠的组件对于提升热力学效率至关重要，这不仅能减少碳排放，还能提高成本效益。”
PNNL与NETL的合作主要集中在两种材料类型：奥氏体不锈钢和含9-12%铬的铁素体-马氏体合金（FMA）。奥氏体不锈钢因其高强度和优良的耐腐蚀性而广泛应用于工厂，但其在高温下的使用寿命有限。含9-12%铬的FMA同样具有强度优势，但更容易氧化和腐蚀。工厂运营商需要能够抵抗断裂，并具备数十年使用寿命的材料。设计具有更长使用寿命的高强度钢，需深入理解材料的长期特性，如断裂强度和寿命等。
随着时间的推移，传统的“试错法”实验方法虽然逐步改进了钢材，但其效率低下、耗时且成本高昂。因此，加快开发新材料的步伐至关重要，这需要准确预测断裂强度和寿命的模型。
MaMun指出，计算建模和机器学习的最新进展，已经成为快速获得优质材料的重要工具。
机器学习是一种人工智能形式，通过将算法应用于数据集，为科学问题提供更快速的解决方案。这种能力在全球范围内的研究中产生了显著影响，能够在某些情况下节省大量科学发现和技术开发的时间。
在第一篇文章《用于铁基马氏体和奥氏体合金断裂强度预测的机器学习辅助可解释模型》中，PNNL-NETL研究团队于3月9日在《科学报告》杂志上发表了研究成果，探讨了机器学习在合金断裂强度预测中的应用。
该论文描述了团队使用三种不同算法（高斯过程回归（GPR）、神经网络（NN）和梯度提升决策树（GBDT））来增强和分析不锈钢数据集。最终目标是为这两种合金构建准确的断裂强度预测模型。研究表明，梯度增强决策树（GBDT）算法最符合构建机器学习模型以准确预测断裂强度的要求。
9-12% CR FMA（左）和奥氏体不锈钢（右）中的GBDT回归测试数据的奇偶图
经过训练的模型在未见测试数据上进行了交叉验证，并在相关系数方面表现出很高的预测性能（9-12% CR FMA的R² > 0.98，奥氏体不锈钢的R² > 0.95）。
此外，研究人员认为，将该模型集成到现有合金设计策略中，可以加速识别出具有优异抗应力和抗张力性能的前景不锈钢。
9-12% CR FMA（左）和奥氏体不锈钢（右）不同特征的重要性
PNNL计算材料科学家RaM Devanathan表示：“这个研究项目不仅为提升发电厂钢铁的运行范围提供了更好的方法，也展示了基于物理学的机器学习模型，使科学家能够进行解释。”
项目团队的第二篇文章《铁素体钢和奥氏体钢的断裂寿命的机器学习增强预测和生成模型》于4月16日发表在《npj Materials Degradation》上。
研究表明，基于机器学习的预测模型可以可靠地估计两种合金的断裂寿命。研究人员还提出了一种生成合成合金的方法，可用于扩充现有的稀疏不锈钢数据集，并分析了该方法的局限性。这种“假设合金”在机器学习模型中的应用，可以在不必在实验室合成的情况下评估候选材料的性能。
基于变分自编码器（VAE）的生成模型用于创造合成合金样本，以辅助合金的逆向设计。开发的生成模型还可用于数据增强，以提升机器学习模型的性能。研究结果显示，VAE生成的样本大多来自于已有更多实验数据的空间，而非从高破裂寿命空间生成合金。改进采样的方法包括马尔可夫链蒙特卡罗（MCMC）采样。
真实样品与机器学习模型预测生成样品的断裂寿命的小提琴图（a: 9–12% CR 数据集；b: 奥氏体钢数据集）
Devanathan表示：“这些发现建立在早期论文的基础上，标志着在极端环境下建立可解释的合金性能模型又向前迈进了一步，同时为数据集开发提供了新的见解。这两篇论文展现了XMAT在这一快速发展的领域中的思想领导力。”
论文链接：
https://www.natuRe.coM/articles/s41529-021-00166-5
https://www.natuRe.coM/Articles/s41598-021-83694-z
