Нейронная сеть поможет контролировать процесс затвердевания расплавов

Российские ученые разработали метод на основе нейронной сети, который поможет быстро и точно определять температуру Аррениуса — показатель, от которого зависит процесс затвердевания расплавов. Предложенный подход позволил авторам с точностью более 90% определить этот параметр для различных типов материалов — металлических, силикатных, боратных и органических. Новый алгоритм поможет ускорить процесс производства таких материалов как стекло и сплавы металлов, а также точнее контролировать их качество. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Materials.

Многие твердые материалы, используемые в быту и в технике, например стекла, металлы и пластмассы, изначально имеют вид так называемых расплавов — вязких жидкостей, которые при определенной температуре застывают, переходя в твердое состояние. Точку, при которой начинается изменение агрегатного состояния, называют температурой Аррениуса. Если температура выше этого значения, атомы в жидкости подвижны, что делает материал текучим; при приближении к температуре Аррениуса атомы начинают двигаться связано — группами — и медленнее, чем раньше, что является признаком подготовки жидкости к затвердеванию.

Знать температуру Аррениуса важно при производстве любых твердых материалов, поскольку она помогает предсказывать вязкость и атомную структуру конечного вещества. Однако точно определить температуру Аррениуса для силикатных и боратных материалов — например, стекол — оказывается сложной задачей, поскольку в них медленное движение атомов группами продолжается даже после достижения температуры, соответствующей застыванию. Силикатные стекла — пожалуй, самый распространенный вид этого материала, поскольку они применяются при изготовлении посуды, аквариумов, окон и многих других вещей. Боратные стекла используются преимущественно в оптике, например, в лазерах и различных детекторах.

Ученые из Казанского федерального университета (Казань) разработали компьютерный алгоритм на основе нейронной сети, позволяющий точно рассчитать температуру Аррениуса всего по нескольким физическим параметрам материала. До этого специалистам не удавалось определить те характеристики, которые однозначно влияют на значение температуры Аррениуса и которые можно использовать при ее оценке.

В качестве исходных данных, с которыми работал алгоритм, авторы использовали всего четыре физические характеристики материалов, которые легко измерить в лабораторных условиях или при необходимости найти в литературе. Эти показатели, среди которых были, например, температура плавления, температура стеклования и значение хрупкости, физики используют, чтобы описать фазовые переходы и структурные изменения в жидкостях при охлаждении. Исследователи протестировали алгоритм на примере металлических, силикатных, боратных и органических стекол, для которых все четыре параметра были известны. Весь набор данных был разделен авторами на три группы: с помощью первой алгоритм обучался, вторая использовалась для его проверки, а третья — для расчета температуры Аррениуса.

Расчеты показали, что для созданной нейронной сети температуры плавления и стеклования материала являются значимыми и достаточными характеристиками для оценки температуры Аррениуса. По этим двум значениям алгоритм определил температуру Аррениуса для всех проанализированных жидкостей с точностью более 90%. Более того, ученые получили математическое уравнение, которое связывает температуру Аррениуса с температурами плавления и стеклования. Оно позволит оценивать температуру Аррениуса, не прибегая к дорогостоящим экспериментальным измерениям.

«Температуры плавления и стеклования легко определяются в лабораторных условиях. Более того, их можно найти в соответствующей литературе. Поэтому расчет температуры Аррениуса по ним становится очень быстрой процедурой. Это поможет упростить анализ свойств жидкостей и точнее оценивать характеристики конечных твердых материалов. В дальнейшем мы планируем адаптировать разработанный алгоритм к материалам с более сложным составом и структурой, таким как полимеры», — рассказывает исполнитель проекта, поддержанного грантом РНФ, Булат Галимзянов, кандидат физико-математических наук, доцент кафедры вычислительной физики и моделирования физических процессов КФУ.