大肉大捧一进一出好爽app,《高潮3》hd未删减,国产内射老熟女aaaa

npj Comput. Mater.: 自動DFT+機器學習模擬Ni3Al基合金的反相疇界能

反相疇界（APB）是平面缺陷，在強化鎳基高溫合金中起著關鍵作用，它們對合金成分的敏感性為合金設計提供了靈活的調整參數。

在此，美國加州大學伯克利分校Mark Asta、勞倫斯利弗莫爾國家實驗室Timofey Frolov等人報道了一個計算工作流程以提供足夠的數據來訓練機器學習（ML）模型，從而自動研究成分對Ni₃Al基合金中（111）APB能（記為γ111）的影響。作者通過創建一個計算工作流程來自動化DFT計算，最終生成了豐富的數據（包括溶質位點偏好、γ111及物理上有意義的特征），從而實現對APB能的化學貢獻的數據驅動評估。

具體而言，對于每個三元物種，作者首先使用PyDII計算其亞晶格偏好，然后使用該預測來使用ATAT構建模型超晶胞。接下來，基于VASP進行DFT計算以獲得γ111。最后，使用在scikit-learn中實現的ML技術來分析數據中的相關性并為γ111構建預測性ML模型。

圖1. γ111成分依賴性的代表性曲線

研究表明，PyDII預測Co和Cr是位置偏好變化最大的兩個物種。對于Co，可將其行為歸類為更偏好Ni亞晶格；對于Cr，PyDII預測對Al亞晶格的偏好非常強烈。DFT結果還表明，幾種元素表現出對γ111的非單調濃度依賴性，這可能對合金設計產生重要影響。在d區元素中，Ta可能是在高濃度下使γ111最大化的元素。

此外，用于分析γ111成分依賴性的隨機森林（RF）模型實現了0.033 J m^-2的五倍交叉驗證誤差，R²?為 0.753。進一步，作者通過預測商業高溫合金中的APB能證明了RF模型的可轉移性與普適性。總之，這項研究表明高通量計算和ML之間的協同作用為探索廣闊的合金成分空間提供了機會，并加快了合金應用的發展進程。

圖2. RF模型結果

Modeling antiphase boundary energies of Ni₃Al-based alloys using automated density functional theory and machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00755-1

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/11/7938719d1f/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

npj Comput. Mater.: 自動DFT+機器學習模擬Ni3Al基合金的反相疇界能

相關推薦