基于第一性原理与机器学习的碳含量对钢铁材料抗氢性能影响

作     者：米志杉 范秀如 杨丽 孙旭 李双权 张国信 MI Zhishan;FAN Xiuru;YANG Li;SUN Xu;LI Shuangquan;ZHANG Guoxin

作者机构：中国钢研科技集团有限公司数字化研发中心北京100081 大连工业大学机械工程与自动化学院辽宁大连116038 南京钢铁股份有限公司南钢研究院江苏南京210035 中石化广州工程有限公司广东广州510600 

出 版 物：《金属功能材料》 (Metallic Functional Materials)

年 卷 期：2024年第31卷第1期

页      面：44-50页

学科分类：08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 

基　　金：国家重点研发计划资助项目(2022YFB4003001) 

主　　题：第一性原理 机器学习 分子动力学力场 氢扩散 氢致损伤 

摘      要：铁素体钢中的氢脆问题一直是研究者们关注热点,尤其是不同碳含量对钢铁材料抗氢性能的影响还不清晰。采用第一性原理计算与机器学习算法相结合的方法,构建了铁-碳-氢体系高精度的机器学习力场(MLFF),通过分子动力学模拟来研究不同碳含量钢中氢原子的扩散行为。高精度的机器学习力场利用神经网络(NN)模型学习多种构型的第一性原理分子动力学(AIMD)结果获得,为了保证机器学习力场能够很好地描述铁-碳-氢体系的统计特性和动力学特性,进行了多种测试。利用该机器学习力场,对不同碳含量的铁素体钢进行了分子动力学模拟,计算了其氢扩散系数。结果发现,随着碳含量的增加,氢的扩散系数总体呈下降趋势,与实验结果吻合较好。建立的算法模型可分析碳含量对钢铁材料抗氢性能的影响,对钢铁材料氢致损伤研究及成分设计具有重要意义。