AIが高性能鋼材の設計を支援：破壊強度と破壊寿命を正確に予測

機械学習技術は、ヘルスケアから高エネルギー物理学に至るまでのさまざまな分野の進歩を推進しています。現在、機械学習は、石炭火力発電所がより強力な合金、特にステンレス鋼の開発を加速するのに役立つ準備ができています。より強力な材料は、エネルギーをより効率的に生産し、経済的利益と脱炭素化の利益をもたらす鍵となります。

「発電所における超高強度鋼の使用は1950年代にまで遡り、その材料は時とともに徐々に改良されてきた」とパシフィック・ノースウエスト国立研究所（PNNL）の博士研究員オスマン・マムン氏は語る。 「新素材の改良や製造のプロセスをスピードアップする方法が見つかれば、工場の効率性が向上し、大気中に排出される炭素の量も削減できるでしょう。」

マムン氏は、機械学習を先進合金の設計に適用するための新しい戦略を明らかにした最近の 2 つのジャーナル記事の主執筆者です。これらの記事は、PNNL と国立エネルギー技術研究所 (NETL) の共同の取り組みによる研究結果を文書化したものです。研究チームには、マムン氏に加えて、PNNL のアルン・サタヌール氏とラム・デバナサン氏、NETL のマディソン・ウェンズリック氏とジェフ・ホーク氏も参加している。

[[407854]]

この研究は、eXtreme Environment Materialsコンソーシアム（XMAT）を通じて米国エネルギー省（DOE）化石エネルギー局から資金提供を受け、DOEの7つの国立研究所からの研究協力も含まれている。このコンソーシアムは、さまざまな発電所の部品に使用するための改良された耐熱合金の開発を加速し、合金の長期的な性能を予測することを目指しています。

火力発電所内の環境は過酷です。 650 度を超える動作温度と 50 MPa を超える圧力により、プラントの鉄鋼部品がテストされます。

「さらに、高温と高圧、そして信頼性の高い部品は、熱力学的効率を向上させ、それによって炭素排出量を削減し、費用対効果を高めるために不可欠です」とマムン氏は説明した。

2種類のステンレス鋼

PNNL と NETL のコラボレーションは、オーステナイト系ステンレス鋼と、9 ～ 12% のクロムを含むフェライト マルテンサイト合金 (FMA) の 2 種類の材料に重点を置いています。オーステナイト系ステンレス鋼は、強度が高く耐食性に優れているため工場で広く使用されていますが、高温での耐用年数は限られています。 9～12% のクロムを含むフェライト-マルテンサイト合金 (9～12% Cr FMA) も強度上の利点がありますが、酸化と腐食の影響を受けやすくなります。プラントの運営者は、破損に強く、何十年も持続する材料を必要としています。より長い耐用年数を持つ高強度鋼を設計するには、破壊強度や破壊寿命などの材料の長期特性を十分に理解する必要があります。

「試行錯誤」という実験的な方法により、時間の経過とともに鋼鉄は徐々に改良されましたが、非効率的で、時間がかかり、コストもかかりました。優れた特性を持つ新材料の開発を加速することが重要です。破壊強度と寿命を予測するにはモデルが必要です。

マムン氏は、計算モデリングと機械学習の最近の進歩は、より良い材料をより早く得るための重要な新しいツールになっていると語る。

機械学習は、データセットにアルゴリズムを適用して科学的問題に対するより迅速な解決策を開発する人工知能の一種です。この機能は世界中の研究に大きな影響を与え、場合によっては科学的発見や技術開発に膨大な時間を節約しています。

破壊強度予測機械モデル

NNL-NETL研究チームの最初の論文「 Feベースのマルテンサイトおよびオーステナイト合金の破断強度予測のための機械学習支援解釈可能モデル」は、3月9日にScientific Reports誌に掲載され、合金の破壊強度を予測するための機械学習の応用について説明しています。

この論文では、チームがガウス過程回帰 (GPR)、ニューラル ネットワーク (NN)、勾配ブースティング決定木 (GBDT) という 3 つの異なるアルゴリズムを使用して、ステンレス鋼のデータセットを強化および分析した方法について説明しています。最終的な目標は、両方の合金の破壊強度を正確に予測するモデルを構築することです。この研究では、勾配ブースティング決定木 (GBDT) と呼ばれるアルゴリズムが、破壊強度を正確に予測する機械学習モデルを構築するというニーズを最もよく満たしていることが示されました。

9-12% Cr FMA (左) とオーステナイト系ステンレス鋼 (右) の GBDT 回帰テスト データのパリティ プロット

トレーニングされたモデルは、未知のテストデータに対して相互検証され、相関係数の点で高い予測性能を達成しました（9〜12％Cr FMAの場合はR ² >0.98、オーステナイト系ステンレス鋼の場合はR ² >0.95）。

さらに、研究者らは、得られたモデルを既存の合金設計戦略に統合することで、応力や歪みの処理に優れた特性を持つ有望なステンレス鋼の特定を加速できると考えています。

9-12% Cr FMA（左）とオーステナイト系ステンレス鋼（右）の異なる特性の重要性

「この研究プロジェクトは、発電所における鋼鉄の運用範囲を拡大するためのより良い方法への一歩を踏み出すだけでなく、物理学に基づく機械学習モデルが科学者によって解釈可能であることを実証している」と、PNNLの計算材料科学者で研究チームのメンバーであるラム・デバナサン氏は述べた。

破壊寿命を予測する機械モデル

プロジェクトチームの2番目の論文「フェライト鋼とオーステナイト鋼の破断寿命の機械学習による予測および生成モデル」が、4月16日にnpj Materials Degradationに掲載されました。

この研究は、機械学習ベースの予測モデルが両方の合金の破壊寿命を信頼性をもって推定できることを示しています。研究者らはまた、既存のまばらなステンレス鋼データセットを増強し、このアプローチの限界を特定するために使用できる合成合金を生成する方法についても説明しています。これらの「仮想合金」を機械学習モデルで使用すると、最初に研究室で合成することなく候補材料の性能を評価できます。

変分オートエンコーダ (VAE) に基づく生成モデルを使用して、合金の逆設計を支援する合成合金サンプルを作成します。開発された生成モデルのもう 1 つの用途は、ML モデルのパフォーマンスを向上させるデータ拡張です。 この研究では、VAE によって生成されたサンプルは主に、より多くの実験データが利用可能な空間から採取されたものであり、つまり、高破壊寿命空間からは合金を生成できなかったことが示されました。 マルコフ連鎖モンテカルロ (MCMC) サンプリングなど、サンプリングを改善する方法はいくつかあります。

実際のサンプルと機械学習モデルによって予測されたサンプルの破壊寿命のバイオリンプロット（a：9～12％Crデータセット、b：オーステナイト鋼データセット）

「これらの研究結果は、以前の論文の結論に基づいており、極限環境における合金の性能に関する解釈可能なモデルの開発に向けた新たな一歩となると同時に、データセットの開発に関する洞察も提供します」とデバナサン氏は述べました。「両論文は、急速に進化するこの分野における XMAT の思想的リーダーシップを実証しています。」

論文リンク:

https://www.nature.com/articles/s41529-021-00166-5

https://www.nature.com/articles/s41598-021-83694-z