Уральские ученые научили нейросеть определять вязкость жидких металлов

Ученые Института металлургии УрО РАН и Уральского федерального университета с помощью нейронной сети научились точно определять вязкость жидких металлов. Сведения о вязкости важны для оценки строения металлических расплавов, природы и силы взаимодействия их компонентов. От вязкости расплава зависят выбор режима разливки металлов, условия формирования слитка, заполнения литейных форм. Данные о вязкости необходимы также для расчетов устройств, служащих для транспортировки и перекачки жидких металлов, а также теплообменников с металлическими теплоносителями. Статью с описанием проведенных исследований опубликовали в журнале Computational Materials Science.

Методику с обученной нейронной сетью успешно апробировали на жидком галлии. Основным источником галлия являются глиноземное производство, переработка полиметаллических руд и угля. Из-за низкой температуры плавления галлий используется в качестве теплоносителя в ядерных реакторах и различных сверхмощных электронных компонентах. Галлий и легкоплавкие сплавы на его основе благодаря их низкой токсичности и реакционной способности используются как заменители ртути, а также в концентраторах солнечной энергии и литий-ионных батареях — для повышения производительности таких устройств. Высокая проводимость жидкого галлия по сравнению с обычными биоматериалами может способствовать его применению в медицине.

По словам старшего научного сотрудника кафедры редких металлов и наноматериалов УрФУ, участника исследований и соавтора статьи Владимира Филиппова, существовавшая ранее методика расчетов отличалась погрешностями, особенно в диапазоне низких температур. Физикам УрФУ и УрО РАН удалось решить некоторые проблемы.

«Во-первых, жидкости в принципе сложно поддаются теоретическому описанию. Во-вторых, атомистический расчет вязкости требует обработки большого объема статистических данных и в то же время большой точности описания поверхности потенциальной энергии и сил, действующих на атомы. Прямыми расчетами такого эффекта не добиться. В-третьих, галлий в жидком состоянии сложен для теоретического описания, так как из-за определенных особенностей его структура отличается от структуры большинства других металлов», — поясняет Владимир Филиппов.

Нейросеть до этого успешно применили к широкому ряду материалов. С опытами с галлием ученым удалось значительно увеличить пространственно-временной масштаб моделирования. Моделированию подверглись несколько сотен и тысяч атомов различных траекторий и множества конфигураций в диапазоне температур от 30 (температура плавления) до 1130 градусов Цельсия.

Результаты моделирования молекулярной динамики жидкого галлия оказались крайне точными. Чтобы проверить их, ученые экспериментально измерили вязкость жидкого галлия от точки плавления (когда показатели вязкости максимальны) до 997 градусов Цельсия. Для измерения вязкости расплавов ученые использовали автоматизированную установку собственного авторства.

Проверка показала, что расчеты вязкости по результатам моделирования отлично согласуются с данными, полученными в ходе эксперимента, и в области высоких температур — с наиболее надежными экспериментальными данными других исследователей. Более того, полученные результаты позволяют устранить неоднозначность литературных данных о вязкости жидкого галлия в низкотемпературном диапазоне.

«Можно утверждать, что представленная в статье температурная зависимость вязкости жидкого галлия является наиболее надежной на сегодняшний день и может быть использована в дальнейших расчетах явлений и свойств жидкого галлия», — подчеркивает Владимир Филиппов.

Работа проведена в рамках государственного задания Института металлургии УрО РАН и при финансовой поддержке Российского фонда фундаментальных исследований (проект №20-03-00370). Автоматизированная установка для измерения вязкости металлических расплавов создана при финансовой поддержке Российского научного фонда (проект №14-13- 00676) и Российского фонда фундаментальных исследований (проект №14-03-01126-а). Ученые УрО РАН и УрФУ планируют усовершенствовать разработанный потенциал глубокого обучения нейросети.

Информация предоставлена пресс-службой Уральского федерального университета

Источник фото: urfu.ru