arrow
返回

Predicting hydrogen diffusion in nickel–manganese random alloys using machine learning interatomic potentials

delete2025-08-23
delete0
delete
OA
AI
K
Kazuma Ito *
N
Naoki Matsumura
Y
Yuto Iwasaki
Y
Yasufumi Sakai
M
Misaho Yamamura
T
Tomohiko Omura
J
Junichiro Yamabe
H
Hisao Matsunaga
DOI:10.1038/s43246-025-00924-xdelete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
为推进碳中和,高压氢环境下的结构材料必须基于基本原理进行设计。然而,随机合金的原子尺度复杂性阻碍了能够准确再现受合金元素影响的氢行为的原子间势的开发。本研究通过结合原子力不确定性和多样化原子环境的结构描述符,采用主动学习策略高效采样训练数据,为Ni–Mn–H三元系开发了一种机器学习原子间势(MLIP)。采用构建的MLIP进行分子动力学模拟定量再现了实验观测到的氢扩散系数随Mn含量的非单调依赖关系。发现了两种竞争性的Mn添加效应:来自排斥性Mn–H相互作用和晶格膨胀的分别增加和降低的活化能,其平衡随Mn含量变化并主导扩散行为。该方法能够准确预测随机合金中的氢扩散,并提供合金化效应的原子级见解。高氢环境(如在能源应用中)可能导致高性能合金的脆化,因此预测氢行为至关重要。本文报道了一种用于Ni-X-H三元系的机器学习原子间势,并用于预测随机合金中的氢扩散。
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

C
Communications Materials
IF:
9.6
论文数:
1.4K
被引数:
4.3K

机构

S
steel research laboratories
学者数:
3
论文数: 2
被引数: 0
A
advanced technology research laboratories
学者数:
2
论文数: 2
被引数: 0
D
department of mechanical engineering
学者数:
4.2K
论文数: 2.1K
被引数: 1
学者 查看更多机构
引用论文

引用论文

Comprehensive Understanding of Ductility Loss Mechanisms in Various Steels with External and Internal Hydrogen
err2017-09-14
err0
PREAI
errOsamu Takakuwa; Junichiro Yamabe; Hisao Matsunaga; Yoshiyuki Furuya; Saburo Matsuoka
err分享
err收藏
Hydrogen: Its Future Role in the Nation's Energy Economy
err1973-06-29
err0
PREAI
errW. E. Winsche; K. C. Hoffman; F. J. Salzano
err分享
err收藏
err分享
err收藏
学者 查看更多内容