Doklady ChemistryDoklady ChemistryДоклады Российской академии наук. Химия, науки о материалах2686-95353034-5111The Russian Academy of Sciences65192210.31857/S2686953524010073PHYSICAL CHEMISTRYФИЗИЧЕСКАЯ ХИМИЯResearch ArticleHigh-entropy carbide (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C mechanical properties prediction with the use of machine learning potentialПрогнозирование механических свойств высокоэнтропийного карбида (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C с применением потенциала машинного обученияPikalovaN. S.ПикаловаН. С.
Russian Federation
rempel.imet@mail.ruBalyakinI. A.БалякинИ. А.
Russian Federation
rempel.imet@mail.ruYuryevA. A.ЮрьевА. А.
Russian Federation
rempel.imet@mail.ruRempelA. A.РемпельА. А.
Russian Federation

Academician of the RAS

академик

rempel.imet@mail.ruInstitute of Metallurgy, Ural Branch of the Russian Academy of SciencesИнститут металлургии Уральского Отделения Российской академии наукNANOTECH Centre, Ural Federal UniversityНОЦ НАНОТЕХ, Уральский федеральный университет им. Б.Н. Ельцина050420245141657102022025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/2686-9535/article/view/651922

The six-component high-entropy carbide (HEC) (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C has been studied. The electronic structure was calculated by using the ab initio package VASP for a supercell with 512 atoms constructed by using special quasi-random structures. The artificial neural networks potential (ANN-potential) was obtained by deep machine learning. The quality of the ANN-potential was estimated by the value of the energies, forces, and virials standard deviations. The generated ANN-potential was used to analyze both a defect-free model of the specified alloy, with 4096 atoms, and for the first time a polycrystalline HEC model, with 4603 atoms, by using the LAMMPS classical molecular dynamics package. The simulation of uniaxial cell tension was carried out, the elasticity coefficients, the all-round compression modulus, the elasticity modulus, and Poisson’s ratio were determined. The obtained values are in good agreement with the experimental and calculated data, which indicates a good predictive ability of the generated ANN-potential.

Изучен шестикомпонентный высокоэнтропийный карбид (ВЭК) (Ti0.2Zr0.2Hf0.2Nb0.2Ta0.2)C. Электронная структура рассчитывалась ab initio с помощью пакета VASP для суперячейки из 512 атомов, построенной с применением специальных квазислучайных структур. Путем глубокого машинного обучения получен потенциал искусственных нейронных сетей (ИНС-потенциал), качество которого оценивалось по величине среднеквадратичных отклонений энергий, сил и вириалов. Сгенерированный ИНС-потенциал использовался в пакете классической молекулярной динамики LAMMPS для анализа как бездефектной модели указанного сплава, состоящей из 4096 атомов, так и впервые для модели поликристаллического ВЭК, состоящей из 4603 атомов. Было проведено моделирование одноосного растяжения ячейки, определены коэффициенты упругости, модуль всестороннего сжатия, модуль упругости и коэффициент Пуассона. Полученные значения хорошо согласуются с экспериментальными и расчетными данными, что говорит о хорошей предсказательной способности сгенерированного потенциала.

high-entropy ceramicsab initio molecular dynamicsmachine learning potentialmechanical propertiesвысокоэнтопийная керамикаab initio молекулярная динамикапотенциал машинного обучениямеханические свойстваИМЕТ УрО РАНInstitute of Metallurgy of the Ural Branch of the Russian Academy of SciencesYeh J.-W., Chen S.-K., Lin S.-J., Gan J.-Y., Chin T.-S., Shun T.-T., Tsau C.-H., Chang S.-Y. // Adv. Eng. Mater. 2004. V. 6. № 5. P. 299–303.https://doi.org/10.1002/adem.200300567Cantor B., Chang I.T.H., Knight P., Vincent A.J.B. // Mater. Sci. Eng., A. 2004. V. 375. P. 213–218. https://doi .org/10.1016/j.msea.2003.10.257Rost C.M., Sachet E., Borman T., Moballegh A., Dickey E.C., Hou D., Jones J.L., Curtarolo S., Maria J.-P. // Nat. Commun. 2015. V. 6. P. 8485–8492. https://doi .org/10.1038/ncomms9485Gild J., Zhang Y., Harrington T., Jiang S., Hu T., Quinn M.C., Mellor W.M., Zhou N., Vecchio K., Luo J. // Sci. Rep. 2016. V. 6. P. 37946. https://doi .org/10.1038/srep37946Han X., Girman V., Sedlák R., Dusza J., Castle E., Wang Y., Reece M., Zhang C. // J. Eur. Ceram. Soc. 2020. V. 40. № 7. P. 2709–2715. https://doi .org/10.1016/j.jeurceramsoc.2019.12.036Sarker P., Harrington T., Toher C., Oses C., Samiee M., Maria J.-P., Brenner D.W., Vecchio K.S., Curtarolo S. // Nat. Commun. 2018. V. 9. P. 4980. https://doi .org/10.1038/s41467-018-07160-7Gelchinski B.R., Balyakin I.A., Yuryev A.A., Rempel A.A. // Russ. Chem. Rev. 2022. V. 91. № 6. P. RCR5023. https://doi .org/10.1070/RCR5023Hohenberg P., Kohn W. // Phys. Rev. 1964. V. 136. № 3B. P. B864. https://doi .org/10.1103/PhysRev.136.B864Kohn W., Sham L.J. // Phys. Rev. 1965. V. 140. № 4A. P. A1133. https://doi .org/10.1103/PhysRev.140.A1133Zunger A., Wei S.-H., Ferreira L.G., Bernard J.E. // Phys. Rev. Lett. 1990. V. 65. № 3. P. 353–356. https://doi .org/10.1103/PhysRevLett.65.353Гельчинский Б.Р., Мирзоев А.А., Воронцов А.Г. Вычислительные методы микроскопической теории металлических расплавов и нанокластеров. М.: Физматлит, 2011. 200 с.Alder B.J., Wainwright T.E. // J. Chem. Phys. 1957. V. 27. P. 1208–1209. https://doi .org/10.1063/1.1743957Mishin Y. // Acta Mater. 2021. V. 214. P. 116980. https://doi .org/10.1016/j.actamat.2021.116980Alloy Theoretic Automated Toolkit (ATAT) // https://www.brown.edu/Departments/Engineering/Labs/avdw/atat/ (ссылка активна на 16.02.2024).The Vienna Ab initio Simulation Package: atomic scale materials modelling from first principles // https://www.vasp.at/ (ссылка активна на 16.02.2024).Wang H., Zhang L., Han J., E W. // Comput. Phys. Commun. 2018. V. 228. P. 178–184. https://doi .org/10.1016/j.cpc.2018.03.016Perdew J.P., Burke K., Ernzerhof M. // Phys. Rev. Lett. 1996. V. 77. № 18. P. 3865–3868. https://doi .org/10.1103/PhysRevLett.77.3865Zhang L., Han J., Wang H., Saidi W.A., Car R., E W. End-to-End Symmetry Preserving Inter-Atomic Potential Energy Model for Finite and Extended Systems. In: Advances in Neural Information Processing Systems. V. 31. Curran Associates, Inc., 2018. Montréal, Canada. P. 4436–4446.Thompson A.P., Aktulga H.M., Berger R., Bolintineanu D.S., Brown W.M., Crozier P.S., In ‘T Veld P.J., Kohlmeyer A., Moore S.G., Nguyen T.D., Shan R., Stevens M.J., Tranchida J., Trott C., Plimpton S.J. // Comput. Phys. Commun. 2022. V. 271. P. 10817. https://doi .org/10.1016/j.cpc.2021.108171Zhang Q., Zhang J., Li N., Chen W. // J. Appl. Phys. 2019. V. 126. P. 025101. https://doi .org/10.1063/1.5094580Ge H., Cui C., Song H., Tian F. // Metals. 2021. V. 11. № 9. P. 1399. https://doi .org/10.3390/met11091399Braic V., Vladescu A., Balaceanu M., Luculescu C., Braic M. // Surf. Coat. Technol. 2012. V. 211. P. 117–121. https://doi.org/10.1016/j.surfcoat.2011.09.033Chicardi E., García-Garrido C., Hernández-Saz J., Gotor F.J. // Ceram. Int. 2020. V. 46. № 13. P. 21421–21430. https://doi .org/10.1016/j.ceramint.2020.05.240Yang Y., Wang W., Gan G.-Y., Shi X.-F., Tang B.-Y. // Physica B: Condens. Matter. 2018. V. 550. P. 163–170. https://doi .org/10.1016/j.physb.2018.09.014Akrami S., Edalati P., Fuji M., Edalati K. // Mater. Sci. Eng., R. 2021. V. 146. P. 100644. https://doi .org/10.1016/j.mser.2021.100644Harrington T., Gild, J., Sarker P., Toher C., Rost C., Dippo O., McElfresh C., Kaufmann K., Marin E., Borowski L., Hopkins P., Luo J., Curtarolo S., Brenner D., Vecchio K. // Acta Mater. 2019. V. 166. P. 271–280. https://doi .org/10.1016/j.actamat.2018.12.054Moskovskikh D.O., Vorotilo S., Sedegov, A.S., Kuskov K.V., Bardasova K.V., Kiryukhantsev-Korneev P.V., Zhukovskyi M., Mukasyan A.S. // Ceram. Int. 2020. V. 46. P. 19008–19014. https://doi .org/10.1016/j.ceramint.2020.04.230Dai F.-Z., Wen B., Sun Y., Xiang H., Zhou Y. // J. Mater. Sci. Technol. 2020. V. 43. P. 168–174. https://doi .org/10.1016/j.jmst.2020.01.005Hirel P. // Comput. Phys. Commun. 2015. V. 197. P. 212–219. https://doi .org/10.1016/j.cpc.2015.07.012Zhang Y., Wang H., Chen W., Zeng J., Zhang L., Wang H., E W. // Comput. Phys. Commun. 2020. V. 253. P. 107206. https://doi .org/10.1016/j.cpc.2020.107206Lennard-Jones J.E. // Proc. Phys. Soc. 1931. V. 43. № 5. P. 461–482. https://doi .org/10.1088/0959-5309/43/5/301Becton M., Wang X. // Phys. Chem. Chem. Phys. 2015. V. 17. P. 21894–21901. https://doi .org/10.1039/c5cp03460d