Российские учёные 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 опубликованы в журнале Materials.
Многие твёрдые материалы, используемые в быту и в технике, например стекла, металлы и пластмассы, изначально имеют вид так называемых расплавов — вязких жидкостей, которые при определённой температуре застывают, переходя в твёрдое 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 твёрдых материалов, поскольку она помогает предсказывать вязкость и атомную структуру конечного вещества. Однако точно определить температуру Аррениуса для силикатных и боратных материалов — например, стёкол — оказывается сложной задачей, поскольку в них медленное движение атомов группами продолжается даже после достижения температуры, соответствующей застыванию. Силикатные стекла, пожалуй, самый распространённый вид этого материала, поскольку они применяются при изготовлении посуды, аквариумов, окон и многих других вещей. Боратные стёкла используются преимущественно в оптике, например, в лазерах и различных детекторах.
Учёные из Казанского федерального университета 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 стёкол, для которых все четыре параметра были известны. Весь набор данных был разделён авторами на три группы: с помощью первой алгоритм обучался, вторая использовалась для его проверки, а третья — для расчёта температуры Аррениуса.
Расчёты 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, учёные 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 расчёт температуры Аррениуса по ним становится очень быстрой процедурой. Это поможет упростить анализ свойств жидкостей и точнее оценивать характеристики конечных твёрдых материалов. В дальнейшем мы планируем адаптировать разработанный алгоритм к материалам с более сложным составом и структурой, таким как полимеры», — рассказывает исполнитель проекта Булат Галимзянов, кандидат физико-математических наук, доцент кафедры вычислительной физики и моделирования физических процессов КФУ.
Источник: https://berza.ru/
