Accelerating the development of multi-component Cu-Al-based shape memory alloys with high elastocaloric property by machine learning
Accelerating the development of multi-component Cu-Al-based shape memory alloys with high elastocaloric property by machine learning
复制标题
通过机器学习加速高弹热性能多组分铜铝基形状记忆合金的开发
DOI：
10.1016/j.commatsci.2020.109521
复制
发表时间：
2020-04
影响因子：
3.3
通讯作者：
Qian Ping
中科院分区：
文献类型：
--
作者：
Zhao Xin-Peng;Huang Hai-You;Wen Cheng;Su Yan-Jing;Qian Ping
开发高相变熵变（ΔS）的弹热材料是弹热制冷技术发展的关键使命。在这里，我们展示了一种自适应设计策略，将机器学习（ML）与理论计算紧密结合，以加速具有高ΔS的多组分Cu-Al基形状记忆合金（SMA）的发现过程。根据线性回归模型，Al、Co、Fe、Ni是Cu-Al基合金中对ΔS有显著促进作用的元素。结果表明，在50万组元的势能空间中，Cu_（72.2）Al_（20.2）Ni_（6.2）Co_（0.7）B_（0.7）具有最高的ΔS值1.88 J/mol K，比文献报道的Cu-Al-Mn三元合金的最高ΔS值分别高9.9%和17.5%。
Exploring elastocaloric materials with high transformation entropy change (ΔS) is a key mission for the development of elastocaloric refrigeration technology. Here, we show an adaptive design strategy, tightly coupled a machine learning (ML) with theoretical calculations to accelerate the discovery process of multi-component Cu-Al-based shape memory alloys (SMAs) with high ΔS. Based on a linear regression model, Al, Co, Fe, Ni are the elements that are beneficial to the significant promotion of ΔS in the Cu-Al-based alloys. In our results, Cu72.2Al20.2Ni6.2Co0.7B0.7is discovered with the highest ΔS of 1.88 J/mol K from a potential space of ~500,000 compositions, which is higher than the highest ones found in ternary Cu-Al-Mn and reported experimental value by 9.9% and 17.5%.
登录
查看更多内容
柱状晶Cu71.5Al17.5Mn11形状记忆合金在宽温度范围内的巨弹热效应
影响因子：
6.1
作者：
Xu Sheng;Huang Hai-You;Xie Jianxin;Takekawa Shouhei;Xu Xiao;Omori Toshihiro;Kainuma Ryosuke
通讯作者：
Kainuma Ryosuke
DOI：
10.1051/esomat/200905028
发表时间：
2009
期刊：
--
影响因子：
--
作者：
V. Sampath;U. Mallik
通讯作者：
V. Sampath;U. Mallik
影响因子：
3.7
作者：
Kresse, G;Furthmuller, J
通讯作者：
Furthmuller, J
影响因子：
9.4
作者：
Me, JY;Chen, NX;Seetharaman, S
通讯作者：
Seetharaman, S
影响因子：
3.7
作者：
MONKHORST, HJ;PACK, JD
通讯作者：
PACK, JD