机械进修技术促进了从医疗保健到高能物理等科技领域的进步。现在，机械进修有望帮助火力发电厂加速开发更坚固的合金，尤其是不锈钢。更坚固的质料是高效生产能源的关键，从而带来经济和脱碳效益。
「在发电厂中的使用超高强度钢的历史可追溯到20世纪50年代，随着时间的推移，质料逐渐革新。」太平洋西北国家实验室 (PNNL) 的博士后钻研助理 Osman Mamun 说。「如果我们能找到加快革新或创造新质料的方式，我们就能看到工场效率提高，同时减少排放到大气中的碳量。」
Mamun 是最近两篇相关期刊文章的主要作者，这些文章揭示了机械进修在高级合金设计中的应用新策略。这些文章记录了 PNNL 和国家能源技术实验室 (NETL) 共同努力的钻研成果。除了Mamun，钻研团队还包括 PNNL 的 Arun Sathanur 和 Ram Devanathan，以及 NETL 的 Madison Wenzlick 和 Jeff Hawk。
这项工作由美国能源部 (DOE) 化石能源办公室通过极端环境质料联盟（eXtreme environment MATerials consortium，XMAT）资助，其中包括来自七个 DOE 国家实验室的钻研贡献。该联盟寻求加速开发用于各种发电厂部件的革新耐热合金，并预计合金的长期功能。
火力发电厂的内部环境是无情的。超过 650 摄氏度的工作温度和超过 50 兆帕的压力对工场的钢部件进行考验。
「而且，高温和高压以及可靠的组件对于提高热力学效率至关重要，从而减少碳排放并提高成本效益。」 Mamun解释道。
两种不锈钢
PNNL-NETL的合作侧重于两种质料类型：奥氏体不锈钢和含9-12% 铬铁素体-马氏体合金 (FMA)。奥氏体不锈钢因其强度高、耐腐蚀性好而广泛应用于工场，但其在高温下的使用寿命有限。含9-12% 铬铁素体-马氏体合金 (9-12% Cr FMA)也具有强度优势，但容易氧化和腐蚀。工场运营商需要能抗断裂并持续数十年的质料。要想设计具有更长使用寿命的高强度钢，需要彻底了解质料的长期特性，例如断裂强度、断裂寿命等。
随着时间的推移，「试错法」 的实验方式逐渐革新了钢材，但效率低下、耗时且成本高昂。加快开发具有优异功能的新型质料至关重要。需要预计断裂强度和寿命的模型。
Mamun 说，计算建模和机械进修的最新进展，已成为更快获得更好质料的重要新工具。
机械进修是人工智能的一种形式，它将算法应用于数据集，为科学问题开发更快的解决方案。这种能力在世界范围内的钻研中产生了巨大的影响，在某些情况下，可以节省大量的科学发现和技术发展时间。
预计断裂强度机械模型
NNL-NETL钻研团队的第一篇文章《用于铁基马氏体和奥氏体合金断裂强度预计的机械进修辅助可解释模型》「A Machine Learning Aided Interpretable Model for Rupture Strength Prediction in Fe-based Martensitic and Austenitic Alloys」于3月9日发表在《科学报告》（Scientific Reports）杂志上，描述了机械进修在合金断裂强度预计的应用。
该论文叙述了该团队使用三种不同算法（高斯过程回归 (GPR)、 神经网络 (NN)和 梯度提升决策树 (GBDT)）增强和分析不锈钢数据集。最终目标是为两种合金的断裂强度构建准确的预计模型。钻研表明：一种称为梯度增强决策树（Gradient Boosted Decision Tree，GBDT）的算法最能满足构建机械进修模型以准确预计断裂强度的需求。
9-12% Cr FMA（左）和奥氏体不锈钢（右）的 GBDT 回归测试数据的奇偶图
训练后的模型已针对未见的测试数据进行了交叉验证，并在相关系数方面取得了很高的预计功能（9-12% Cr FMA 的 R2>0.98，奥氏体不锈钢的 R2>0.95）。
此外，钻研人员认为，将所得模型集成到现有合金设计策略中，可以加快识别具有处理应力和张力优异功能的有前途的不锈钢。
9-12% Cr FMA（左）和奥氏体不锈钢（右）不同特征的重要性
钻研小组成员、PNNL计算质料科学家Ram Devanathan说：「该钻研项目不仅朝扩展发电厂钢铁的运行范围更好的方式迈出了一步，而且还展示了以物理学为基础的机械进修模型，使科学家进行解释。」
预计断裂寿命机械模型
项目团队的第二篇文章《铁素体钢和奥氏体钢的断裂寿命的机械进修增强预计和生成模型》「Machine Learning Augmented Predictive and Generative Model for Rupture Life in Ferritic and Austenitic Steels」发表在4月16日的《npj Materials Degradation》上。
钻研表明：基于机械进修的预计模型可以可靠地估计两种合金的断裂寿命。钻研人员还描述了一种生成合成合金的方式，该方式可用于增加现有的稀疏不锈钢数据集，并确定了这种方式的局限性。在机械进修模型中使用这些「假设合金」可以评估候选质料的功能，而无需先在实验室中合成它们。
基于变分自编码器 (VAE) 的生成模型用于创建合成合金样本，以协助合金的逆向设计。开发的生成模型的另一个应用是数据增强，以提高 ML 模型的功能。 钻研表明VAE 生成的样品主要取自有更多实验数据可用的空间，即无法从高破裂寿命空间生成合金。 有几种方式可以革新采样，例如马尔可夫链蒙特卡罗 (MCMC) 采样。
真实样品和机械进修模型预计生成样品的断裂寿命的小提琴图（a: 9–12% Cr 数据集；b：奥氏体钢数据集）
Devanathan 说：「这些发现建立在早期论文的结论之上，代表了在极端环境下建立可解释的合金功能模型的又一步，同时也为数据集的开发提供了见解。这两篇论文都展示了 XMAT 在这个快速发展的领域中的思想领导地位。」
论文链接：
https://www.nature.com/articles/s41529-021-00166-5
https://www.nature.com/articles/s41598-021-83694-z
参考内容：https://phys.org/news/2021-06-ally-alloys-ai-high-performance-steels.html