От вязкости расплава зависит выбор режима разливки металлов, условия формирования слитка и другие параметры.
Учёные Института металлургии УрО РАН и Уральского федерального университета разработали метод теоретического высокоточного определения вязкости жидких металлов с использованием обученной искусственной нейронной сети. Существовавшая ранее методика расчётов отличалась погрешностями, особенно в диапазоне низких температур. Новый метод был успешно опробован на примере жидкого галлия. Учёным удалось значительно увеличить пространственно-временной масштаб моделирования – при этом результаты моделирования молекулярной динамики жидкого галлия отличаются особой точностью. Статья с описанием проведённых исследований опубликована в журнале Computational Materials Science.
«Во-первых, жидкости в принципе сложно поддаются теоретическому описанию. Причина, на наш взгляд, кроется в отсутствии простого начального приближения для этого класса систем (к примеру, начальным приближением для газов является модель идеального газа). Во-вторых, атомистический расчёт вязкости требует обработки большого объёма статистических данных и в то же время большой точности описания поверхности потенциальной энергии и сил, действующих на атомы. Прямыми расчётами такого эффекта не добиться», — объясняет Владимир Филиппов, старший научный сотрудник кафедры редких металлов и наноматериалов УрФУ, участник исследований и соавтор статьи.
Уральские учёные решили задачу моделирования молекулярной динамики жидкого галлия путём обучения нейросети, которая до этого успешно применялась к широкому ряду материалов. По словам Владимира Филиппова, в качестве обучающего набора были использованы данные квантово-химического моделирования энергии и сил, действующих на атомы.
«В физическом эксперименте при температурах выше 1300 кельвинов происходит интенсивное испарение жидкого галлия, это приводит к неконтролируемому изменению массы образца и вследствие этого к большой ошибке эксперимента. В молекулярно-динамических расчётах такого ограничения нет», — поясняет Владимир Филиппов.
Для каждого выбранного значения температуры (303, 400, 600, 800, 1000, 1200, 1400 К) обсчитывалось 4000 атомов и 10 различных траекторий — последовательных положений атомов системы во времени, вычисленных по уравнениям движения с различными начальными условиями по скорости и координатам атомов.
«Если 500 атомов использовались для точного расчёта полной энергии и сил, действующих на каждый атом, с помощью первопринципной молекулярной динамики и создания потенциала глубокого обучения нейросети, то в системе из 4000 атомов полученный потенциал машинного обучения использовался для расчёта вязкости с помощью классической молекулярной динамики», — комментирует Владимир Филиппов.
Использование созданного потенциала глубокого обучения нейросети для жидкого галлия позволило увеличить пространственно-временные масштабы моделирования. При этом точность расчётов молекулярной динамики соответствовала основанной на расчётах по законам природы, без допущения дополнительных предположений.
Чтобы проверить результаты моделирования, учёные экспериментально измерили вязкость жидкого галлия от точки плавления (когда показатели вязкости максимальны) до 1270 кельвинов. Для этого они использовали оригинальную автоматизированную установку для измерения вязкости высокотемпературных металлических расплавов.
«В опыте с применением этого метода измеряются две величины: период и декремент затухания — количественная характеристика быстроты затухания колебаний. Тигель с исследуемой жидкостью подвешен на упругой нити внутри печи с инертной атмосферой гелия. При свободных крутильно-колебательных движениях подвесной системы внутреннее трение, возникающее в жидкости, вызывает затухание крутильных колебаний и изменение периода колебаний по сравнению с периодом при пустом тигле», — описывает Владимир Филиппов, принявший участие в создании экспериментальной установки.
Чем выше вязкость жидкости, тем быстрее затухают колебания, добавляет учёный. Измерения вязкости жидкого галлия проводили с шагом по температуре 10-50 K вблизи температуры плавления и 100-150 K при высоких температурах. При каждой температуре измерения периода и декремента затухания проводили после выдержки жидкого галлия в течение 30-40 минут до получения стабильных значений измеряемых величин.
Проверка показала, что расчёты 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.
«Таким образом, можно утверждать, что представленная в статье температурная зависимость вязкости жидкого галлия является наиболее надёжной на сегодняшний день и может быть использована в дальнейших расчётах явлений и свойств жидкого галлия, например в поиске закономерностей и аномалий в соотношениях структурных и динамических особенностей системы. Файл с параметрами разработанного — развитого и эффективного — потенциала глубокого обучения нейросети расчётам межатомного взаимодействия в жидком галлии доступен в режиме онлайн», — подчёркивает Владимир Филиппов.
Учёные УрО РАН и УрФУ планируют усовершенствовать разработанный потенциал глубокого обучения нейросети.