Base de datos de fatiga de aleaciones metálicas complejas.

Datos científicos volumen 10, número de artículo: 447 (2023) Citar este artículo

528 Accesos

1 altmétrica

Detalles de métricas

Las últimas décadas han sido testigos de rápidos avances en la investigación y el desarrollo de aleaciones metálicas complejas, como vidrios metálicos y aleaciones de elementos multiprincipales, que ofrecen nuevas soluciones para abordar problemas de ingeniería de materiales como el conflicto entre resistencia y tenacidad y el despliegue en entornos hostiles. y/o para servicio a largo plazo. A finales de 2022 se compila una base de datos sobre fatiga (FatigueData-CMA2022) a partir de la literatura. Se incluyen y analizan datos tanto de vidrios metálicos como de aleaciones de elementos multiprincipales para determinar sus estadísticas y patrones. La extracción automática y el examen manual se combinan en el flujo de trabajo para mejorar la eficiencia del procesamiento, la calidad de los datos publicados y la reutilización. La base de datos contiene 272 conjuntos de datos de fatiga de SN (la relación tensión-vida), ε-N (la relación deformación-vida) y da/dN-ΔK (la relación entre la tasa de crecimiento de grietas por fatiga y el rango del factor de intensidad de tensión). , junto con la información de materiales, condiciones de procesamiento y ensayo, y propiedades mecánicas. La base de datos y los scripts se publican en repositorios abiertos, que están diseñados en formatos que pueden ampliarse y actualizarse continuamente.

Los materiales metálicos son tan importantes que el desarrollo histórico de la civilización humana puede representarse por su uso (Fig. 1a). La investigación y el desarrollo de aleaciones metálicas incorporan y promueven los avances en ciencias de materiales, herramientas experimentales y procesos de fabricación. El desarrollo inicial de aleaciones avanzadas se realiza en gran medida de forma empírica, mediante prueba y error. En el siglo XX se fueron estableciendo métodos teóricos y numéricos1,2,3,4 basados ​​en la física y la química de los metales. Sin embargo, sigue siendo un desafío resolver la complejidad que relaciona las microestructuras de las aleaciones metálicas con su desempeño. Incluso en el límite de los monocristales (SC), donde los límites de grano (GB) se eliminan para obtener un rendimiento mecánico excepcional a alta temperatura5, defectos como las redes de dislocaciones evolucionan con deformación plástica y perturban la perfección de las estructuras cristalinas. Recientemente, la exploración de materiales con nanoestructuras o microestructuras prediseñadas, como aleaciones nanocristalinas (NC), nanotwinned (NT) y funcionalmente clasificadas (FG), ha tenido un gran éxito en el descubrimiento de aleaciones de alto rendimiento. Por ejemplo, el fortalecimiento GB (también conocido como efecto Hall-Petch6,7) guía el desarrollo de aleaciones de alta resistencia refinando los granos a un nivel específico8. También se ha dedicado investigación al desarrollo de aleaciones metálicas complejas como los vidrios metálicos (MG) y se proponen y fabrican aquellas con múltiples elementos principales9,10. Se ha demostrado que la heterogeneidad química y estructural es capaz de impedir los deslizamientos cristalográficos y mejorar la resistencia y la tenacidad a la fractura11,12.

Complejidad de las aleaciones metálicas. (a) El desarrollo de aleaciones metálicas, tecnología de producción, criterios de diseño de ingeniería y ciencia. La línea de tiempo está escalada para diferentes períodos para mayor claridad de presentación. Cada diagrama de barras circular presenta los niveles de cuatro propiedades de las aleaciones metálicas con su nombre marcado en el centro. 'AM' indica las aleaciones fabricadas aditivamente, 'MG' indica el vidrio metálico y 'MPEA' indica la aleación de elementos multiprincipal. El cuarto superior izquierdo denota la complejidad del material, como se ilustra en el panel b. El cuarto superior derecho denota el conocimiento humano del material. El cuarto inferior izquierdo indica la gama de aplicaciones del material. El cuarto inferior derecho denota el potencial del material a desarrollar con un rendimiento mecánico superior. (b) La complejidad de las aleaciones metálicas incluye composición química, estructuras a nivel atómico y microestructuras. Se destaca la complejidad de las MG y MPEA en cada aspecto.

La complejidad de las aleaciones metálicas surge de muchos aspectos (Fig. 1b). La composición química de los elementos principales y sus estructuras a nivel atómico controlan las estructuras y órdenes electrónicos en diferentes rangos (corto, medio o largo)13,14. Luego se definen la naturaleza de los enlaces químicos y las simetrías reticulares, que desempeñan papeles dominantes en el comportamiento mecánico de los materiales. Específicamente, las estructuras a nivel atómico, como las estructuras cúbicas centradas en el cuerpo (BCC), cúbicas centradas en las caras (FCC), hexagonales compactas (HCP) y amorfas, definen la disposición local de los átomos y los órdenes de traslación y rotación de largo alcance. . Estas características son cruciales para los procesos de deslizamiento que gobiernan la plasticidad de los materiales. Por ejemplo, la localización del deslizamiento es más prominente en las aleaciones FCC y HCP que en las aleaciones BCC, lo que resulta en una menor resistencia a la fatiga normalizada (FS/YS o FS/UTS) en la primera clase15, donde FS, YS y UTS son abreviaturas de resistencia a la fatiga, límite elástico. resistencia y resistencia máxima a la tracción, respectivamente. Además, los elementos de aleación pueden fortalecer los materiales formando soluciones sólidas o precipitación16 e incluso induciendo transformación de fase17. La plasticidad en estructuras amorfas se produce mediante transformación de cizallamiento o procesos de salto difusivo18, que están asociados con un reordenamiento atómico local. La energía de activación del reordenamiento atómico local suele ser mayor que la de los deslizamientos cristalinos y, por lo tanto, da como resultado una resistencia elevada en los MG18,19. Los "genes materiales", como la composición, las estructuras a nivel atómico y las microestructuras, despliegan un espacio de diseño hiperdimensional para el descubrimiento de aleaciones metálicas complejas, así como un amplio espectro de rendimiento prometedor. Si se sigue un enfoque basado en datos, dicha exploración puede acelerarse mucho.

El diseño de la composición de la aleación está limitado por las estabilidades termodinámicas de las fases de aleación con estructuras específicas a nivel atómico1. Las microestructuras como la textura dependen en gran medida de los procedimientos de síntesis y las condiciones de procesamiento termomecánico. Por ejemplo, la austenita FCC, las ferritas BCC y las martensitas tetragonales centradas en el cuerpo (BCT) son tres fases principales de los aceros, controladas por el equivalente de Ni preferido por la FCC y el equivalente de Cr preferido por la FCC de los elementos de aleación20. HCP α-Ti puede estabilizarse con Al, O, N y C, mientras que BCC β-Ti puede estabilizarse con V, Mo, Ta y Nb21. La composición también influye en la fracción de fases en aleaciones de doble fase (DP o dúplex), como los aceros DP y las aleaciones de titanio α + β21,22. En sistemas de aleaciones como TiAl y NiAl, se forman intermetálicos con diferentes estructuras reticulares a medida que varía la composición, lo que permite lograr una alta resistencia21,23. Para las superaleaciones SC basadas en Ni, las fases intermetálicas γ′ de Ni3 (Al, Ta, Ti) en las estructuras L12 se dispersan en una matriz γ (FCC Ni), ofreciendo una extraordinaria resistencia a altas temperaturas5. El tamaño, morfología y textura de los granos pueden controlarse mediante las condiciones de procesamiento termomecánico (temperaturas, cargas y sus secuencias)24,25. Recientemente, la fabricación aditiva (AM) ha sido ampliamente explorada por su fácil fabricación de componentes estructurales con geometrías complejas. El control de las microestructuras en la AM puede establecerse en regiones específicas a escala micrométrica bajo rayos láser o de electrones26,27,28 y caracterizarse in situ29,30. Además, se utilizan técnicas avanzadas como el procesamiento de solidificación direccional (DS) y deformación plástica severa (SPD) para preparar aleaciones SC y NC, respectivamente31,32. Las técnicas de fabricación convencionales para aleaciones con complejidades bajas o medias (por ejemplo, uno o pocos elementos principales, texturas policristalinas) se utilizan ampliamente debido a sus altos niveles de preparación tecnológica (TRL) y bajos costos. Para elevar aún más el rendimiento de la aleación y eliminar el conflicto entre resistencia y tenacidad, se necesitan conocimientos clave sobre la relación composición-procesamiento-microestructuras-rendimiento (CPMP), especialmente para aleaciones con altas complejidades en la composición química y/o estructuras a nivel atómico.

Las MG y las aleaciones de elementos multiprincipales (MPEA) son dos materiales metálicos emergentes que presentan una alta complejidad estructural y de composición. El descubrimiento de los vidrios metálicos en 1960 trastoca nuestro conocimiento sobre los metales, que en aquella época se limitaba en gran medida a los materiales cristalinos9. El desarrollo de aleaciones con eutécticos profundos desde la década de 1990 permite además retener estructuras similares a líquidos en secciones más gruesas en estado amorfo al enfriarse a temperatura ambiente33. Las estructuras amorfas de los MG representan el extremo de las estructuras complejas a nivel atómico, ofreciendo alta resistencia y, a veces, alta tenacidad a la fractura12. Por otro lado, los estudios de aleaciones de elementos multiprincipales (MPEA) se remontan a la década de 1970 y posteriormente aparecieron conceptos similares, como las aleaciones de alta entropía (HEA) y las aleaciones concentradas complejas (CCA)34. Los MPEA explorados en este trabajo cubren metales con múltiples (≥3) elementos principales en una sola fase de solución sólida, en contraste con las precipitaciones en aleaciones convencionales. Los MPEA tienen una composición compleja pero con estructuras a nivel atómico relativamente simples. La interacción interatómica es, en general, una mezcla de naturaleza metálica, iónica y covalente. Los MPEA suelen presentar una excelente estabilidad térmica y resistencia a altas temperaturas debido a los fuertes enlaces entre los átomos y la baja difusividad de los átomos para el alto grado de órdenes de largo alcance35. Los MG y MPEA demuestran diferentes aspectos de las complejidades de los materiales y forman subconjuntos representativos de aleaciones avanzadas, cuya investigación aún se encuentra en la etapa de exploración. Por lo tanto, establecer bases de datos bien estructuradas para MG y MPEA complejos y mantenerlas actualizadas para el desarrollo posterior es crucial para el enfoque basado en datos36, que puede facilitar la exploración del espacio de composición y la optimización de las condiciones de procesamiento, para mejorar el rendimiento de la aleación37. .

La ciencia de datos es de crucial importancia en la investigación de MG y MPEA para el vasto espacio de diseño en comparación con las aleaciones convencionales. Los datos medidos experimentalmente36,38,39 y teóricamente predichos40,41 reportados en la literatura y en informes de investigación son fuentes valiosas para comprender y mejorar el rendimiento de las aleaciones. Se espera que las técnicas de minería de texto, procesamiento de datos de imágenes e inteligencia artificial37,42 ofrezcan información sobre la relación CPMP, como lo demuestra nuestro trabajo reciente sobre aleaciones AM43. Sin embargo, construir una base de datos tan grande implica procesos de generación, recopilación, publicación y mantenimiento de datos, que requieren mucho tiempo, costos y mano de obra y están más allá de la capacidad de un solo investigador o grupo. La cooperación mundial bajo los principios de ciencia abierta y FAIR (encontrable, accesible, interoperable y reutilizable) se convierte en una solución prometedora para este problema44. Cabe señalar que existen varias características intrínsecas de los datos en las ciencias de los materiales. Por ejemplo, las propiedades materiales de cristales y polímeros se pueden predecir mediante cálculos teóricos de alto rendimiento, incluso al nivel de los primeros principios45,46. Los datos experimentales de estos materiales, además de la función de los datos en sí, también se pueden utilizar para la verificación y validación (V&V) de modelos teóricos. Sin embargo, las propiedades de los materiales como la fatiga no pueden predecirse con precisión mediante la teoría debido a los complejos caminos de la evolución microestructural47,48, y los datos experimentales se convierten en la única fuente confiable.

Los estudios experimentales informan propiedades mecánicas extraordinarias para MG y MPEA18,49,50, que muestran ventajas en condiciones de servicio duras como fatiga y corrosión11,49,51, donde las aleaciones convencionales ya alcanzan sus límites. Por ejemplo, los componentes fabricados a partir de MG y MPEA son prometedores para la exploración y asentamiento espacial52, que requieren materiales que resistan condiciones extremas de calor, impacto y radiación durante sus fases completas de servicio53. Sin embargo, las aplicaciones de MG y MPEA en el diseño de integridad estructural aún son preliminares debido al tamaño limitado de los MG, el costo de producción y la incompatibilidad con los procesos de fabricación industriales convencionales. Una de las prestaciones cruciales de las aleaciones avanzadas es la resistencia a condiciones de carga prolongadas y en su mayoría variables, es decir, de fatiga. La fatiga se ha estudiado durante más de un siglo54, pero todavía afecta a científicos e ingenieros y causa pérdidas sustanciales55,56. En contraste con la rigidez, resistencia y tenacidad, el rendimiento a la fatiga medido a partir de experimentos con aleaciones suele mostrar una gran dispersión. Para garantizar la confiabilidad en aplicaciones industriales, se desarrollan estándares57,58,59,60 y directrices61 para el diseño, pruebas, fabricación, operaciones y mantenimiento de componentes susceptibles a la fatiga. Estas regulaciones proporcionan una base para la evaluación de las propiedades de fatiga utilizando datos de las relaciones tensión-vida (SN), deformación-vida (ε-N) y tasas de crecimiento de grietas por fatiga (FCGR, da/dN-ΔK) para ciclos altos. fatiga (HCF), fatiga de ciclo bajo (LCF) y diseño de tolerancia al daño, respectivamente. Por tanto, es necesario construir una base de datos sobre fatiga para aleaciones metálicas complejas como MG y MPEA.

En este trabajo, recopilamos datos de fatiga e información relacionada reportada para MG y MPEA en 1249 artículos científicos (hasta finales de 2022). Se utilizan códigos internos y de fuente abierta para la extracción de datos de figuras, tablas y texto. Se describen la descripción de la investigación y los datos SN, ε-N y da/dN-ΔK informados.

Nuestro flujo de trabajo incluye adquisición de contenido (búsqueda y descarga), extracción de datos (de figuras, tablas y texto) y construcción de bases de datos. A continuación se proporciona una breve descripción del flujo de trabajo. Aquí solo se informan los puntos clave y las mejoras de nuestra metodología, y se pueden encontrar detalles en nuestro trabajo anterior sobre los datos de fatiga de las aleaciones AM43. El rendimiento de la extracción automatizada de datos se evalúa mediante las métricas, la precisión, la recuperación y la puntuación F1, que son

donde TP denota el verdadero positivo o la cantidad de datos extraídos correctamente, FP es el falso positivo o la cantidad de datos extraídos incorrectamente y FN es el falso negativo o la cantidad de datos que no se extraen. La puntuación F1 es la media armónica de precisión y recuperación.

Las palabras clave para MG, MPEA y fatiga se resumen (Tabla 1) y se compilan en las fórmulas de búsqueda. WoS devuelve 1249 registros de artículos. Los artículos irrelevantes se filtran mediante un modelo de clasificación de procesamiento del lenguaje natural (PLN)62. Luego los registros se corrigen mediante examen manual. Se descargan 326 artículos específicos según sus identificadores de objetos digitales (DOI) mediante el uso de interfaces de programación de aplicaciones (API) del editor y el código fuente abierto, descargador de artículos63. Se descargan documentos en formatos de lenguaje de marcado extensible (XML)/lenguaje de marcado de hipertexto (HTML) y formato de documento portátil (PDF), que luego se procesan mediante análisis automatizado y examen manual, respectivamente.

Las figuras se extraen de los documentos PDF utilizando PyMuPDF. La segmentación de figuras con múltiples paneles se automatiza mediante un código basado en reglas, alcanzando una puntuación F1 del 86% (Tabla 2). La clasificación de las cifras de fatiga se realiza mediante un modelo de red neuronal convolucional (CNN), ResNet64 (Fig. 2a), con una puntuación F1 del 90% (Tabla 2). Los datos de fatiga (SN, ε-N y da/dN-ΔK) presentados en diagramas de dispersión se extraen mediante un código MATLAB interno IMageEXtractor (IMEX)43. Las tablas en archivos XML/HTML se analizan mediante un extractor de tablas65, mientras que las incrustadas en los archivos PDF se procesan manualmente. Las métricas de evaluación de la extracción de datos de la tabla se resumen en la Tabla 2.

Procesamiento de figuras y extracción de datos de texto. (a) Las figuras de los artículos primero se segmentan mediante un script basado en reglas y luego se clasifican mediante un modelo de red neuronal convolucional (CNN), ResNet64. (b) Se diseña un mensaje para GPT-3.567 con la instrucción de la tarea, ejemplos y texto a procesar. Para evaluar el rendimiento del aprendizaje de pocas oportunidades, se utilizan 2 o 3 ejemplos.

Los textos en formato XML/HTML se extraen utilizando nuestros códigos de análisis internos TEXTract43. PDFDataExtractor66 extrae los artículos que solo tienen archivos PDF disponibles. La clasificación de texto se realiza para resúmenes y párrafos utilizando la biblioteca de PNL Transformadores simples con enfoque de preentrenamiento BERT robustamente optimizado (RoBERTa)62. Los datos que incluyen información sobre materiales, procesamiento, pruebas y propiedades mecánicas se extraen de los párrafos de destino empleando el Transformador Generativo Preentrenado (GPT)67 de la versión 3.5. GPT es un gran modelo de lenguaje previamente entrenado con miles de millones de parámetros y un excelente rendimiento de aprendizaje en pocas ocasiones67. GPT puede realizar una tarea de finalización de texto que genera la finalización (salida) más probable según las indicaciones de los usuarios. Nuestras indicaciones en GPT incluyen una instrucción de tarea, ejemplos y el texto a procesar (Fig. 2b). La instrucción de la tarea le pide al GPT que extraiga datos del texto y los devuelva en formato JSON. Cada ejemplo es un par de texto-completado para demostrar el contenido y el formato de los datos que se extraerán. El texto a procesar se coloca al final del mensaje. Luego, GPT devolverá la finalización formateada en JSON. Dado que la cantidad máxima de tokens es 4096 (incluidos el mensaje y la finalización) en la versión actual, el trabajo aquí se realiza procesando los párrafos uno por uno proporcionados con 2 o 3 ejemplos (aprendizaje de pocas tomas). La puntuación F1 de GPT-3.5 es 88%, lo que sugiere que los modelos de lenguaje grandes (LLM) como GPT pueden comprender la mayor parte del texto y reducir el trabajo humano en la construcción de reglas de extracción o modelos de PNL. Los modelos GPT ajustados o actualizados pueden mejorar la puntuación F1, pero el rendimiento aún puede ser insuficiente para construir una base de datos de alta calidad a nivel de investigación a partir de la literatura68,69,70. Además, GPT de versiones >3 no es de código abierto. Por lo tanto, no ajustamos el modelo GPT y procedemos con la corrección manual de datos. Los datos del producto se pueden utilizar como conjuntos de capacitación para GPT y LLM alternativos como LLaLMA71 y GLM72.

Para construir la base de datos, los datos de fatiga extraídos de las figuras deben correlacionarse con las entradas de datos de información del material, condiciones de procesamiento y prueba, y propiedades mecánicas extraídas del texto y las tablas. La mayoría de las entradas de datos, como los parámetros de procesamiento y prueba, no varían en el mismo artículo, y los valores únicos extraídos para una entrada de datos específica se asignan a todos los conjuntos de datos relacionados con el artículo. Para entradas de datos con múltiples valores, la asignación se realiza según las etiquetas de la leyenda.

Los datos de fatiga de componentes estructurales críticos en servicio son sensibles al procesamiento, las cargas y el medio ambiente. Por tanto, el examen y la corrección manuales son necesarios para garantizar la calidad de los datos. La cantidad de trabajo manual depende del rendimiento del flujo de trabajo automatizado y de los requisitos de precisión de aplicaciones específicas. Para fines de diseño, los datos deben ser precisos para componentes confiables y las correcciones manuales son esenciales. Aunque la calidad de los datos publicados en este artículo está garantizada mediante correcciones manuales, observamos que para el uso de la base de datos en modelos de aprendizaje automático, se puede tolerar un número limitado de valores falsos. De este modo, la inspección exhaustiva puede sustituirse por la inspección por muestreo, lo que ahorra significativamente mano de obra teniendo en cuenta el gran volumen de literatura científica. Para guiar la construcción de una base de datos de alta calidad, la estrategia de muestreo se determina en función de la precisión de la extracción automatizada de datos (αa) o del examen manual (αm) reportada en nuestro trabajo y en otras bases de datos de alta calidad basadas en literatura36,38,39 ,43. Para una precisión objetivo (αt), el tamaño del conjunto de muestreo en relación con los conjuntos de datos completos y las rondas de examen (nr) están determinados por la condición de \(\left(1-{\alpha }_{{\ rm{a}}}\right){\left[1-s+s\left(1-{\alpha }_{{\rm{m}}}\right)\right]}^{{n}_ {{\rm{r}}}}\le 1-{\alpha }_{{\rm{t}}}\).

La base de datos FatigueData-CMA202273 está disponible como archivos MAT (MATLAB), JSON y EXCEL en https://doi.org/10.6084/m9.figshare.23007362. Se excluyen los MG y MPEA aplicados como recubrimientos para otros materiales de sustrato ya que los datos no representan su rendimiento74. Los archivos MAT y JSON están formateados en una estructura de árbol jerárquica, como se muestra en la Fig. 3. Los nodos del árbol que almacenan valores de datos se denominan entradas de datos. Las entradas de datos incluyen tipos de datos numéricos y de cadena. Los datos de texto, como títulos, tipos de procesamiento y pruebas de fatiga, se almacenan como cadenas. Los datos con múltiples cadenas, como autores, países e instituciones, se almacenan como matrices de cadenas. El año de publicación se define como un número numérico y otros datos numéricos, como datos de fatiga, parámetros de procesamiento y relaciones de carga, se almacenan en forma de matrices numéricas. Los nodos del árbol utilizados para agrupar entradas de datos se denominan estructuras de datos. Varias estructuras, como artículos o conjuntos de datos de fatiga, se organizan en matrices de estructuras. Para facilitar la implementación de la programación y la adquisición de datos, se definen claves para entradas de datos, estructuras y matrices de estructuras (Fig. 3, Tablas 3-5).

Estructura de la base de datos. La base de datos FatigueData-CMA2022 está formateada en una estructura de árbol jerárquica. El nombre de cada nodo del árbol está resaltado en color amarillo. Las claves están definidas para facilitar el acceso mediante scripts. Cada nodo tiene su tipo de datos específico. Dos gráficos circulares muestran las estadísticas de los tipos de conjuntos de datos de fatiga para vidrios metálicos (MG) y aleaciones de elementos multiprincipales (MPEA).

Las estructuras de datos de nivel superior de la base de datos FatigueData-CMA202273 se muestran en la Fig. 3. El nodo raíz es la base de datos, que contiene nodos secundarios de artículos y un sistema de unidades predeterminado (por ejemplo, MPa para estrés, °C para temperatura). Los datos numéricos sin procesar se convierten a unidades predeterminadas de entradas de datos. Los artículos se almacenan en una matriz de estructura. Cada artículo contiene dos estructuras de metadatos y datos científicos. Los metadatos contienen entradas de datos como los títulos y autores de los artículos. Los datos científicos almacenan una matriz estructural de conjuntos de datos de fatiga. Cada conjunto de datos se obtiene de pruebas experimentales en diferentes condiciones. Un conjunto de datos de fatiga contiene cinco estructuras (fatiga, materiales, procesamiento, pruebas y propiedades mecánicas) definidas en la Tabla 4 y se define una puntuación de calificación para medir la calidad de los datos. Los parámetros de procesamiento están organizados como una matriz de estructuras, 'proc_para', y el contenido de cada estructura depende de los tipos de procesamiento de materiales. La secuencia de procesamiento se registra en la matriz 'proc_seq' con el índice en 'proc_para'. Para tratamientos de superficie, 'surf_para' y 'surf_seq' se definen de la misma manera que los parámetros y la secuencia de procesamiento. En la base de datos actual no se incluye más información sobre las superficies de las muestras, como rugosidad de la superficie, tensión residual y defectos de la superficie, ya que no muchos de los datos publicados incluyen la información, lo que muestra la necesidad de estándares de informes de rendimiento de fatiga. Sin embargo, la información se puede agregar a la base de datos en el futuro a través de la API.

La terminología de los tipos de datos se hereda en gran medida de MATLAB (el archivo MAT). Las excepciones son las matrices de cadenas y las matrices de estructuras de parámetros de procesamiento y tratamientos de superficie, que corresponden a las matrices de celdas en el archivo MAT. Para el archivo JSON, la estructura se define como un diccionario y todos los tipos de matrices se definen como listas. La base de datos también se aplana en un archivo EXCEL, que incluye 4 hojas de trabajo. Las hojas de trabajo de 'S-N', 'e-N' y 'dadn' almacenan datos SN, ε-N y da/dN-ΔK, respectivamente. En estas 3 hojas de trabajo, cada fila almacena el índice de un conjunto de datos de fatiga y un descriptor de datos (S/ε, N, y el indicador de agotamiento para 'S-N'/'e-N', da/dN y ΔK para 'papá'). Los datos da/dN-ΔK extraídos por colores almacenan todos los píxeles coincidentes. La cantidad de puntos de datos excede la cantidad máxima de filas permitidas por EXCEL (1,048,576). Como resultado, se muestrean uniformemente 500 puntos de datos de cada conjunto de datos y luego se registran. En la cuarta hoja de trabajo de 'parámetro', cada fila almacena el índice de un conjunto de datos de fatiga y su contenido. Cada columna corresponde a una entrada de datos. Los datos de la hoja de trabajo de 'parámetros' están vinculados a los otros tres a través del índice de conjuntos de datos de fatiga.

Con las estructuras de los conjuntos de datos descritas anteriormente, las entradas de datos se explican aquí con más detalle. La matriz de 'datos de fatiga' almacena N o ΔK en la primera columna, y los valores de σa, εa o da/dN en la segunda columna. εa representa la amplitud de la deformación total, incluidos los componentes elásticos o plásticos. La tercera columna almacena el indicador de agotamiento para los datos SN y ε-N, donde '1' indica que la prueba se detiene antes de fallar (agotamiento) y '0' indica falla. El tamaño de la sección transversal crítica almacena el diámetro para muestras con secciones transversales circulares, los diámetros exterior e interior para aquellas con secciones transversales anulares y el ancho y espesor para aquellas secciones transversales rectangulares, respectivamente. El tamaño de los lingotes se define de la misma manera, añadiendo el tamaño longitudinal. Las formas se almacenan en la descripción de las muestras ('spec_desc') y del lingote ('ingot_desc'). Se registran los factores de concentración de tensiones (Kt) de las muestras y la tensión en los 'datos de fatiga' es la tensión nominal sin multiplicar el Kt. En las matrices numéricas de otras entradas de datos, un único valor representa un valor específico o la media, y dos valores representan los límites inferior y superior, respectivamente. Para facilitar la comparación entre los datos de cadena, se utiliza una nomenclatura unificada para entradas de datos como tipos de procesamiento, materiales, máquinas, afiliaciones y agencias de financiación.

En nuestra base de datos, las entradas de datos que no se informan explícitamente se registran como matrices vacías (MAT), listas (JSON), cadenas (MAT y JSON) o celdas (EXCEL). Suponemos que la prueba es uniaxial y se realiza en un entorno ambiente (25 °C, aire) con Kt = 1 si no se especifica. El control de carga predeterminado es 'fuerza' para SN, 'deformación' para ε-N, 'carga' para da/dN-ΔK. La vida total a fatiga se define según criterios de falla, como la fractura de las muestras y el porcentaje de caída de carga. La fractura de las muestras se asume como valor predeterminado y se agrega a la base de datos como "fractura".

En resumen, la base de datos cubre 51 tipos de MG y 25 tipos de MPEA. Para MG, 47 artículos informan 101 conjuntos de datos SN con 989 puntos de datos, 2 artículos informan 8 conjuntos de datos ε-N con 63 puntos de datos y 18 artículos informan conjuntos de datos 40 da/dN-ΔK (Fig. 4). Para MPEA, 36 artículos reportan 62 conjuntos de datos SN con 503 puntos de datos, 10 artículos reportan 18 conjuntos de datos ε-N con 174 puntos de datos y 14 artículos reportan 43 conjuntos de datos da/dN-ΔK (Fig. 4).

Datos representativos. (a) La composición química de los vidrios metálicos (MG) y las aleaciones de elementos multiprincipales (MPEA) se presentan en el espacio abarcado por su primer y segundo componente principal. Tenga en cuenta que la fórmula química en la anotación es la unión de elementos principales de las aleaciones agrupados por elipses. Datos SN representativos de (b) MG y (c) MPEA con una relación de tensión de R = 0,1. Datos representativos (d) ε-N y (e) da / dN-ΔK de MG y MPEA para todos los R. (f) Comparación entre los parámetros de ajuste de los datos SN extraídos y los de las publicaciones fuente.

Las métricas de rendimiento del procesamiento de figuras, tablas y textos muestran que las puntuaciones F1 de la extracción automatizada son del 60% al 90% (Tabla 2). Aunque los métodos de extracción automatizados pueden mejorarse aún más, la producción de bases de datos de alta calidad sigue siendo un desafío. Teniendo en cuenta que una base de datos sobre fatiga es fundamental y urgente para el desarrollo de MG y MPEA de aleaciones avanzadas, todos los registros de datos se examinan y corrigen manualmente para garantizar la calidad de la base de datos en este trabajo. La inspección posterior de 50 artículos elegidos al azar muestra que la precisión ha mejorado hasta alcanzar >98%. Incluimos 61/65 conjuntos de datos de la reciente recopilación de datos de fatiga HEA38. Hay 4 conjuntos de datos que no se incluyen porque los datos no se informan en el formato SN estándar o los artículos no están en los registros de WoS. Estas dos bases de datos se pueden utilizar para la verificación mutua de los registros comunes, lo que puede aumentar la credibilidad de los datos abiertos para los usuarios finales. Encontramos que tanto los contenidos como los formatos de las bases de datos derivadas de la literatura pueden ser diferentes y complementarios debido a las diferentes perspectivas, demandas y experiencias de los investigadores. Las directrices y estándares pueden ayudar a la fusión de estas bases de datos. En comparación, en nuestra base de datos se incluyen más parámetros de los metadatos (p. ej., afiliaciones, países, fuentes de financiación, DOI), condiciones de la superficie y técnicas de procesamiento (p. ej., reducción del espesor del laminado, tipos de enfriamiento, tiempos de refundición), que se publican. en formatos jerárquicos más flexibles y organizados (JSON y MAT) además del documento EXCEL que lo acompaña. Los registros de datos de tamaño de grano se agregan a nuestra base de datos inspirados en la ref. 38.

La base de datos se puede examinar mediante el conocimiento del dominio. La riqueza y organización de nuestra base de datos nos permiten explorar la relación CPMP. La composición química de cada material único se organiza en un vector. Todos los vectores de composición se analizan mediante análisis de componentes principales (PCA)75 y se visualizan de acuerdo con el primer y segundo componente principal en la Fig. 4a. Se verifican los valores atípicos de la composición química para evitar errores en la extracción de datos. Luego, las aleaciones se agrupan según sus elementos principales con una composición >10%. La Figura 4a muestra que los MG y los MPEA forman grupos en el espacio de composición. Los elementos principales de un MPEA específico generalmente contienen las mismas estructuras a nivel atómico, como Co, Cr, Fe, Mn y Ni para FCC, o Ti, Zr, Nb, Hf y Ta para BCC. La adición de elementos con estructuras a nivel atómico claramente diferentes puede provocar precipitación76. Por otro lado, los MG pueden contener elementos metálicos y semiconductores con estructuras a nivel atómico diferentes a sus propias fases cristalinas, lo que promueve la formación de estructuras amorfas. Los MPEA reportados en la literatura abarcan un espacio de composición más estrecho que los MG, lo que podría atribuirse a las dificultades para obtener fases únicas de soluciones sólidas con múltiples elementos principales y la historia de investigación y desarrollo relativamente más corta de los MPEA. El número de elementos principales es generalmente n ≤ 3 para MG y ≥3 para MPEA. También se estudian MG de alta entropía (n > 3) y algunos de ellos presentan una composición química similar a la de los MPEA77.

A continuación se realiza el examen de las propiedades específicas del material (por ejemplo, comportamiento ante la fatiga, temperatura de transición vítrea Tg, propiedades mecánicas) para los grupos de aleaciones. Los datos de fatiga se representan gráficamente para examinar sus correlaciones, que son negativas para los datos SN y ε-N, y positivas para los datos da/dN-ΔK (Fig. 4b-e). Los valores atípicos de los datos de fatiga debidos a errores en el procesamiento de datos se examinan visualmente para cada grupo de materiales y luego se corrigen en IMEX. En la Fig. 4b se muestran datos SN representativos de MG, que se prueban bajo una relación de tensión (R) de 0,1. La carga de tensión-tensión R = 0,1 se utiliza para el 68% de los datos de MG para evitar el pandeo de muestras de MG con diámetros pequeños y relaciones de aspecto grandes, que se utilizan comúnmente en estos estudios. También se prefiere R = 0,1 en ensayos de fatiga por flexión de 3 o 4 puntos. Los MG basados ​​en ZrCu dominan la base de datos por su buena capacidad de formación de vidrio (GFA), que están disponibles comercialmente como productos de Vitreloy y LiquidMetal78. Para las MG basadas en CuZr donde la composición de Cu es mayor que la de Zr, el rendimiento ante la fatiga es menor. Esta dependencia de la composición química puede atribuirse a la diferencia en la densidad de empaquetamiento atómico79. Los datos representativos de SN para MPEA medidos en R = 0,1 también se resumen para comparar (Fig. 4c). La mayoría de los datos se reportan para MPEA de la FCC con elementos principales de Co, Fe, Ni, Cr y Mn. El rendimiento de fatiga de los MPEA BCC (TiZrNbHfTa) es mayor que el de los MPEA FCC, lo que se ajusta a la comprensión de las aleaciones convencionales como resultado de las estructuras a nivel atómico15,80,81. Los FS de MG y MPEA medidos en condición HCF (104–107 ciclos) se distribuyen en un rango similar entre 100 y 600 MPa. Los MPEA muestran un mayor rendimiento de LCF (<104 ciclos) y mejor ductilidad que los MG (Fig. 4d). Los FCGR de los MG son en general más altos que los de los MPEA, lo que muestra la diferencia en la fragilidad (Fig. 4e). Cabe señalar para el procesamiento de datos que los datos da/dN-ΔK podrían incluir el régimen cercano al umbral, el régimen de París y el régimen de crecimiento inestable (Fig. 4e). El umbral para el crecimiento de las grietas por fatiga y la tenacidad a la fractura se incluyen en la base de datos como referencia para los comportamientos del crecimiento de las grietas por fatiga. Para una validación adicional, los parámetros de ajuste obtenidos de los datos extraídos se comparan con los de las publicaciones originales, que muestran una buena coherencia (Fig. 4f). Los errores insignificantes en el ajuste de los parámetros pueden deberse a la distorsión de los símbolos de datos en las figuras pixeladas. Para el TRL relativamente bajo de las técnicas de fabricación para MG y MPEA, pueden existir imperfecciones como defectos en los materiales bajo investigación, lo que puede resultar en una fuerte dispersión de los datos reportados. La desviación del ajuste de los datos de fatiga utilizando modelos de vida existentes puede ayudar a los usuarios a identificar los conjuntos de datos con gran dispersión y la información detallada se puede encontrar consultando las publicaciones fuente.

Además de la composición química y el comportamiento ante la fatiga, se examinan otros datos que incluyen información sobre materiales, condiciones de procesamiento y prueba y propiedades mecánicas, que también son valiosos para comprender la relación CPMP. Las propiedades específicas del material se examinan material por material, como la temperatura de transición vítrea (Tg), el tamaño del grano (ϕ), el tamaño del lingote y las propiedades mecánicas. La Tg varía de 91 a 480 °C (Fig. 5a), lo que muestra una fuerte correlación con el tipo de materiales. Por ejemplo, el valor de Tg es ~90 °C para MG82 a base de Ca, ~200 °C para MG83 a base de Al y ~400 °C para MG84 a base de Zr. El tamaño de grano de los HEA se encuentra principalmente en el rango entre 1 y 100 μm (Fig. 5b), lo que muestra una mayor dependencia de las condiciones de procesamiento que de los tipos de materiales. Las muestras con granos submicrónicos generalmente se sometieron a procesos especiales, como prensado angular de canal igual (ECAP) o procesamiento por fricción y agitación (FSP), mientras que aquellas con granos de más de 100 μm suelen ser resultados de un tratamiento térmico a alta temperatura. Además de las microestructuras, en las aplicaciones también es importante el tamaño de los componentes fabricados con estos materiales. El diámetro equivalente de los lingotes se calcula a partir del área de la sección transversal, \({d}_{{\rm{e}}{\rm{q}}}=2\sqrt{{\rm{a}}{ \rm{r}}{\rm{e}}{\rm{a}}/\pi }\). Como se muestra en la Fig. 5c, se pueden producir lingotes grandes para MPEA, pero la alta velocidad de enfriamiento restringe el tamaño de los MG. Reducir la velocidad de enfriamiento crítica para producir MG a granel (BMG) es uno de los temas activos en la investigación. La mayoría de los MG exhiben UTS superiores a 1500 MPa debido a su naturaleza vítrea, mientras que los UTS de la mayoría de los HEA son inferiores a 1000 MPa (Fig. 5d). Para datos como las relaciones de tensión que no están relacionados con los materiales, sus estadísticas se resumen en la Fig. 5e. La mayoría de las pruebas se realizaron bajo carga simétrica de tensión-compresión con R = −1 (76/272) o carga de tensión-tensión con R = 0,1 (151/272). Generalmente se aplican otras relaciones de tensión en las pruebas FCG. Para los datos informados en tipos de cadena, sus estadísticas se resumen en la tabla para su examen manual. Para condiciones en las que la secuencia del procesamiento termomecánico es relevante, se emparejan y examinan pasos consecutivos para obtener sus estadísticas. Para los MPEA, como ejemplo (Fig. 5f), el procesamiento generalmente comienza con la fusión por inducción al vacío (VIM) o la fusión por arco y termina con el tratamiento térmico. Se pueden aplicar técnicas como el laminado y el estampado rotatorio para los MPEA, pero normalmente no para los MG, ya que se puede inducir la cristalización. Los datos registrados muestran concordancia con el conocimiento del dominio y pueden usarse para dilucidar la correlación entre ellos.

Estadísticas de parámetros de materiales. El histograma de (a) temperaturas de transición vítrea (Tg) para MG, (b) tamaños de grano (ϕ) para MPEA, (c) diámetros equivalentes (deq) de lingotes, (d) resistencias máximas a la tracción (UTS) y (e) relaciones de tensión (R) tanto para MG como para MPEA. (f) Los 10 pasos emparejados principales de las secuencias de procesamiento termomecánico para MPEA. Las abreviaturas son ST: inicio del procesamiento, VIM: fusión por inducción al vacío, AMLT: fusión por arco, RMLT: refundición, HR: laminación en caliente, CR: laminación en frío, RS: estampado rotativo, HT: tratamiento térmico, WQ: enfriamiento con agua y ED: el final del procesamiento.

Es común que en la literatura se informen datos incompletos debido a la falta de normas, lo que genera dificultades en la extracción de datos y reduce la credibilidad o la reutilización de los datos. Para evaluar la calidad de los datos reportados, se calcula una puntuación (0-1) como la suma ponderada de las entradas no vacías para cada conjunto de datos43. En aras de la simplicidad, asumimos pesos iguales para todas las entradas. Descubrimos que la mayoría de los conjuntos de datos se califican con puntuaciones que oscilan entre 0,6 y 0,95, ya que no todas las entradas de datos están documentadas. Las puntuaciones de calificación de las MG y MPEA son similares a las de las aleaciones AM43 e inferiores a las de las bases de datos autorizadas para aleaciones convencionales. Se deben desarrollar estándares para la presentación de datos en revistas, actas de congresos e informes técnicos para mejorar aún más la calidad de las bases de datos construidas a partir de la literatura.

En experimentos, las propiedades del material como FS85, límite de fatiga (FL)86 y temperatura de transición vítrea87 se derivan de los datos sin procesar y se ven afectadas por las técnicas de posprocesamiento de filtrado y ajuste de datos. Por tanto, es importante registrar los datos sin procesar en la base de datos, así como los valores derivados. En la industria, el FS en N ciclos de carga y el límite de fatiga (FL) son de interés y generalmente se derivan de los datos SN discretos. Sin embargo, FL no está bien definido en la práctica88,89, lo que depende del ciclo de agotamiento elegido en las pruebas considerando la duración y el presupuesto experimental. El método de la escalera90 se utiliza comúnmente para determinar el FL, pero requiere muchas muestras y pruebas, lo cual es costoso y rara vez se aplica para pruebas de fatiga de materiales nuevos. El FL informado en la literatura generalmente se calcula a partir de curvas SN en el ciclo de agotamiento o del valor de los datos de agotamiento. Por lo tanto, los valores de FL varían según sus definiciones y los procedimientos de ajuste para conjuntos de datos SN específicos. El problema también se aplica a FS. Por lo tanto, una comparación directa de FL o FS informada en los artículos podría ser inexacta. Para solucionar este problema, proporcionamos un script de MATLAB (cal_property.m) para calcular sus valores a partir de los datos SN. Se desarrollan modelos lineales y Stromeryer91, y los datos de agotamiento pueden incluirse o no opcionalmente43. Utilizando el modelo lineal sin datos de agotamiento como ejemplo, los FS de MG, MPEA y aleaciones AM en 106 ciclos (R = −1 y 0,1) se resumen en la Fig. 6. Los resultados muestran que los FS de MG y Los MPEA son más altos que los de AM 316 L y AlSi10Mg, y comparables con los de AM Ti-6Al-4V e IN718. Los MG y MPEA todavía tienen un gran potencial considerando su espacio mucho más rico de diseño de materiales. Además, los YS y UTS de las MG suelen ser mucho más altos que los de las aleaciones convencionales y AM. Los MPEA muestran UTS comparables a los de las aleaciones convencionales y AM, pero una ductilidad mejorada17,92. Los valores de propiedades mecánicas como la resistencia (YS, UTS) y el alargamiento en el momento de la fractura se registran en la base de datos actual si están disponibles en la literatura relacionada con la fatiga que recopilamos, que se puede integrar con los registros publicados en otras bases de datos38,93 para una mayor comprensión. Imagen completa de la relación resistencia-ductilidad.

Resistencias a la fatiga derivadas de los datos SN. La resistencia a la fatiga (FS) a 106 ciclos, σf, se calcula a partir de conjuntos de datos SN para vidrios metálicos (MG), aleaciones de elementos multiprincipales (MPEA) y aleaciones fabricadas aditivamente (AMed) bajo una relación de tensión R = −1 (a) y 0,1 b). Para Ti-6Al-4V e IN718, los datos MMPDS se agregan como ref. 86.

El acceso mediante APIs es fundamental para el diseño de bases de datos reutilizables con alta fidelidad. Por ejemplo, los usuarios pueden utilizar el script (cal_property.m) para extraer registros de propiedades de materiales que dependen de las técnicas de posprocesamiento, como FS. Se proporciona una secuencia de comandos de plantilla (add_entry.m) para agregar entradas de datos como densidades, tenacidad y dureza. Los datos publicados después del lanzamiento de nuestra base de datos se pueden formatear en el lenguaje unificado de datos de fatiga (ULFD)43 e importarse directamente mediante el script (import_ulfd.m). Para la puntuación del conjunto de datos, proporcionamos un script (cal_rate_score.m) para que los usuarios definan el peso de cada entrada de datos.

La base de datos FatigueData-CMA2022 y las API asociadas sientan las bases para la exploración de MG y MPEA resistentes a la fatiga en su espacio de diseño bastante complejo. El flujo de trabajo automatizado es una mejora de nuestro trabajo anterior43, específicamente en segmentación de figuras, clasificación de figuras y extracción de datos de texto. Nuestros resultados también demuestran la capacidad de los LLM como GPT en la construcción de bases de datos en ciencias de materiales y pueden guiar estudios futuros sobre el ajuste de los LLM o el desarrollo de técnicas alternativas de aprendizaje automático para comprender la relación CPMP de aleaciones metálicas complejas.

Los scripts utilizados para extraer información de figuras, tablas y texto se basan principalmente en códigos y modelos de fuente abierta, incluidos ResNet64, table extractor65 y Simple Transformers. Los scripts internos para la extracción y el análisis de datos se publican en el repositorio de GitHub (https://github.com/xuzpgroup/ZianZhang/tree/main/FatigueData-CMA2022 y https://github.com/xuzpgroup/ZianZhang/ tree/main/FatigueData-AM2022), que se puede utilizar reconociendo el artículo actual y bajo la licencia MIT. Estos scripts incluyen un tutorial detallado paso a paso para el uso de la base de datos publicada con este artículo.

Spencer, P. Una breve historia de CALPHAD. Calfad 32, 1–8 (2008).

Artículo CAS Google Scholar

Rappaz, M. y Dantzig, JA Solidificación (EPFL Press, 2009).

Sluiter, MH, Colinet, C. & Pasturel, A. Cálculo ab initio de la estabilidad de fase en aleaciones de Au-Pd y Ag-Pt. Revisión física B 73, 174204 (2006).

ADS del artículo Google Scholar

Steinbach, I. Modelos de campo de fase en ciencia de materiales. Modelo. Simultáneo. Madre. Ciencia. Ing. 17, 073001 (2009).

Reed, RC Las superaleaciones: fundamentos y aplicaciones (Cambridge University Press, 2008).

Meyers, MA y Chawla, KK Comportamiento mecánico de materiales (Cambridge University Press, 2008).

Kumar, P., Kabra, S. & Cole, JM Generación automática de bases de datos de límite elástico y tamaño de grano utilizando ChemDataExtractor. Ciencia. Datos 9, 292 (2022).

Artículo CAS PubMed Central Google Scholar

Naik, SN & Walley, SM Las relaciones Hall-Petch y Hall-Petch inversas y la dureza de los metales nanocristalinos. J. Mater. Ciencia. 55, 2661–2681 (2020).

Artículo CAS ADS Google Scholar

Klement, W., Willens, R. & Duwez, P. Estructura no cristalina en aleaciones de oro y silicio solidificadas. Naturaleza 187, 869–870 (1960).

Artículo CAS ADS Google Scholar

Sí, J.-W. et al. Aleaciones nanoestructuradas de alta entropía con múltiples elementos principales: nuevos conceptos y resultados de diseño de aleaciones. Adv. Ing. Madre. 6, 299–303 (2004).

Artículo CAS Google Scholar

George, EP, Raabe, D. y Ritchie, RO Aleaciones de alta entropía. Nat. Rev. Mater. 4, 515–534 (2019).

Artículo CAS ADS Google Scholar

Demetriou, MD y cols. Un cristal resistente a los daños. Nat. Madre. 10, 123-128 (2011).

Artículo CAS PubMed ADS Google Scholar

Ogata, S., Li, J. & Yip, S. Resistencia al corte puro ideal del aluminio y el cobre. Ciencia 298, 807–811 (2002).

Artículo CAS PubMed ADS Google Scholar

Zhang, R. y col. Imagen directa de orden de corto alcance y su impacto en la deformación en Ti-6Al. Ciencia. Adv. 5, eax2799 (2019).

Artículo CAS PubMed PubMed Central ADS Google Scholar

Stinville, J. y col. Sobre los orígenes de la resistencia a la fatiga en materiales metálicos cristalinos. Ciencia 377, 1065–1071 (2022).

Artículo MathSciNet CAS PubMed ADS Google Scholar

Li, N., Wang, C., Monclús, M., Yang, L. & Molina-Aldareguia, J. Efectos de fortalecimiento de la solución sólida y la precipitación en deslizamiento basal, macla de extensión y deslizamiento piramidal en aleaciones de Mg-Zn. Acta Mater. 221, 117374 (2021).

Artículo CAS Google Scholar

Li, Z., Pradeep, KG, Deng, Y., Raabe, D. y Tasan, CC Las aleaciones metaestables de fase dual de alta entropía superan el equilibrio entre resistencia y ductilidad. Naturaleza 534, 227–230 (2016).

Artículo CAS PubMed ADS Google Scholar

Schuh, CA, Hufnagel, TC y Ramamurty, U. Comportamiento mecánico de aleaciones amorfas. Acta Mater. 55, 4067–4109 (2007).

Artículo CAS ADS Google Scholar

Greer, A., Cheng, Y. & Ma, E. Cortar bandas en vasos metálicos. Madre. Ciencia. Ing., R 74, 71-132 (2013).

Artículo de Google Scholar

Zhang, S., Wang, Q., Yang, R. & Dong, C. Equivalentes de composición de aceros inoxidables entendidos a través de la eficiencia de estabilización gamma. Ciencia. Rep. 11, 5423 (2021).

Artículo CAS PubMed PubMed Central ADS Google Scholar

Leyens, C. y Peters, M. Titanio y aleaciones de titanio: fundamentos y aplicaciones (John Wiley & Sons, 2003).

Wen, Y. et al. Influencias del contenido de manganeso y el tratamiento térmico en las propiedades mecánicas de los aceros reforzados por precipitación. Madre. Ciencia. Ing., A 837, 142724 (2022).

Artículo CAS Google Scholar

Darolia, R. Problemas de ductilidad y tenacidad a la fractura relacionados con la implementación de NiAl para aplicaciones de turbinas de gas. Intermetálicos 8, 1321-1327 (2000).

Artículo CAS Google Scholar

Zhao, J. & Jiang, Z. Procesamiento termomecánico de aceros avanzados de alta resistencia. Prog. Materia de ciencia. 94, 174-242 (2018).

Artículo CAS Google Scholar

Johannsen, D., Kyrolainen, A. y Ferreira, P. Influencia del tratamiento de recocido en la formación de aceros inoxidables austeníticos AISI 301 con tamaño de grano nano/submicrónico. Metal. Madre. Trans. A 37, 2325–2338 (2006).

Artículo de Google Scholar

Xu, W., Lui, EW, Pateras, A., Qian, M. y Brandt, M. Microestructura de adaptación in situ en Ti-6Al-4V fabricado aditivamente para un rendimiento mecánico superior. Acta Mater. 125, 390–400 (2017).

Artículo CAS ADS Google Scholar

Ghorbanpour, S. y col. Efecto de la anisotropía inducida por la microestructura sobre el comportamiento a fatiga de Inconel 718 funcionalmente clasificado fabricado mediante fabricación aditiva. Madre. Carácter. 179, 111350 (2021).

Artículo CAS Google Scholar

Zhang, T. y col. Diseño in situ de aleación avanzada de titanio con modulaciones de concentración mediante fabricación aditiva. Ciencia 374, 478–482 (2021).

Artículo MathSciNet CAS PubMed ADS Google Scholar

Chen, Y. et al. Imágenes correlativas de rayos X de sincrotrón y difracción de la fabricación aditiva por deposición de energía dirigida. Acta Mater. 209, 116777 (2021).

Artículo CAS Google Scholar

Cunningham, R. y col. Umbral de ojo de cerradura y morfología en la fusión por láser revelados por imágenes de rayos X de ultra alta velocidad. Ciencia 363, 849–852 (2019).

Artículo CAS PubMed ADS Google Scholar

Wagner, A., Shollock, B. y McLean, M. Desarrollo de la estructura de grano en la solidificación direccional de superaleaciones a base de níquel. Madre. Ciencia. Ing., A 374, 270–279 (2004).

Artículo de Google Scholar

Valiev, R. Nanoestructuración de metales mediante deformación plástica severa para obtener propiedades avanzadas. Nat. Madre. 3, 511–516 (2004).

Artículo CAS PubMed ADS Google Scholar

Inoue, A. Estabilización de líquidos metálicos sobreenfriados y aleaciones amorfas a granel. Acta Mater. 48, 279–306 (2000).

Artículo CAS ADS Google Scholar

Miracle, DB & Senkov, ON Una revisión crítica de las aleaciones de alta entropía y conceptos relacionados. Acta Mater. 122, 448–511 (2017).

Artículo CAS ADS Google Scholar

Cahn, RW ¿Cómo afecta el orden de largo alcance a la fluencia de las aleaciones? Madre. Ciencia. Ing., A 324, 1–4 (2002).

Artículo de Google Scholar

Pei, Z., Yin, J., Liaw, PK y Raabe, D. Hacia el diseño de aleaciones de ultraalta entropía mediante la extracción de seis millones de textos. Nat. Comunitario. 14, 54 (2023).

Artículo CAS PubMed PubMed Central ADS Google Scholar

Rao, Z. y col. Descubrimiento de aleaciones de alta entropía habilitado por aprendizaje automático. Ciencia 378, 78–85 (2022).

Artículo CAS PubMed ADS Google Scholar

Chen, S. y col. Conjunto de datos de fatiga de aleaciones de alta entropía. Ciencia. Datos 9, 381 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Fan, X. y col. Conjunto de datos sobre tenacidad a la fractura y al impacto de aleaciones de alta entropía. Ciencia. Datos 10, 37 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Zhang, J., Cai, C., Kim, G., Wang, Y. y Chen, W. Diseño de composición de aleaciones de alta entropía con aprendizaje de conjuntos profundos. npj Computación. Madre. 8, 89 (2022).

Artículo CAS ADS Google Scholar

Qi, J., Cheung, AM y Poon, SJ Aleaciones de alta entropía extraídas de diagramas de fases binarios. Ciencia. Rep. 9, 15501 (2019).

Artículo PubMed PubMed Central ADS Google Scholar

Yang, C. y col. Un sistema de diseño de aleaciones basado en aprendizaje automático para facilitar el diseño racional de aleaciones de alta entropía con dureza mejorada. Acta Mater. 222, 117431 (2022).

Artículo CAS Google Scholar

Zhang, Z. & Xu, Z. Base de datos sobre fatiga de aleaciones fabricadas aditivamente. Ciencia. Datos 10, 249 (2023).

Artículo PubMed PubMed Central Google Scholar

Scheffler, M. y col. Datos justos que permiten nuevos horizontes para la investigación de materiales. Naturaleza 604, 635–642 (2022).

Artículo CAS PubMed ADS Google Scholar

Jain, A. y col. Comentario: El Proyecto de Materiales: Un enfoque del genoma de materiales para acelerar la innovación de materiales. Mater APL. 1, 011002 (2013).

ADS del artículo Google Scholar

Huan, TD y cols. Un conjunto de datos de polímeros para la predicción y el diseño acelerados de propiedades. Ciencia. Datos 3, 160012 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Suresh, S. Fatiga de los materiales (Cambridge University Press, 1998).

Zhang, Z. & Xu, Z. Predicción de fallas en la vida útil de los nanotubos de carbono. J. Mech. Física. Sólidos 164, 104907 (2022).

Artículo MathSciNet CAS Google Scholar

Halim, Q., Mohamed, NAN, Rejab, MRM, Naim, WNWA & Ma, Q. Propiedades del vidrio metálico, método de procesamiento y perspectiva de desarrollo: una revisión. En t. J. Adv. Fabricante. Tecnología. 112, 1231–1258 (2021).

Artículo de Google Scholar

Tsai, M.-H. y sí, J.-W. Aleaciones de alta entropía: una revisión crítica. Madre. Res. Letón. 2, 107-123 (2014).

Artículo de Google Scholar

Savage, N. Lograr un equilibrio con aleaciones de alta entropía. Naturaleza 595, T4 – T5 (2021).

Artículo CAS ADS Google Scholar

Hofmann, DC, Hamill, L., Christiansen, E. y Nutt, S. Prueba de impacto a hipervelocidad de un escudo flexible metálico relleno de vidrio. Adv. Ing. Madre. 17, 1313-1322 (2015).

Artículo CAS Google Scholar

Ghidini, T. Materiales para la exploración y colonización espacial. Nat. Madre. 17, 846–850 (2018).

Artículo CAS PubMed ADS Google Scholar

Smith, R. Fatiga de los ejes ferroviarios: revisión de un problema clásico. EUR. Estructura. Sociedad de Integridad. 26, 173–181 (2000).

Artículo de Google Scholar

Findlay, S. y Harrison, N. Por qué fallan los aviones. Madre. Hoy 5, 18-25 (2002).

Artículo CAS Google Scholar

Halford, GR Fatiga y durabilidad de materiales estructurales (ASM International, 2006).

Negaard, G. La historia del programa de integridad estructural de aeronaves (Anamet Labs Inc., 1980).

Norma ASTM E466-07. Práctica estándar para realizar pruebas de fatiga axial de amplitud constante controlada por fuerza de materiales metálicos (ASTM International, 2007).

ASTM E606/E606M-12. Método de prueba estándar para pruebas de fatiga controlada por deformación (ASTM International, 2012).

ASTM E647-11. Método de prueba estándar para medir las tasas de crecimiento de grietas por fatiga (ASTM International, 2011).

Junta de Investigación de Ingeniería Mecánica (FKM). Directriz FKM: Evaluación de la resistencia analítica de componentes en ingeniería mecánica (VDMA Verlag, 2003).

Liu, Y. et al. RoBERTa: un enfoque de preentrenamiento BERT sólidamente optimizado. Preimpresión en https://arxiv.org/abs/1907.11692 (2019).

Kim, E. y col. Parámetros de síntesis codificados y aprendidos por máquina de materiales óxidos. Ciencia. Datos 4, 170127 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

He, K., Zhang, X., Ren, S. & Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. Actas de la conferencia IEEE sobre visión por computadora y reconocimiento de patrones, 770–778 (2016).

Jensen, Z. y col. Un enfoque de aprendizaje automático para la síntesis de zeolita habilitado por la extracción automática de datos de la literatura. Céntimo ACS. Ciencia. 5, 892–899 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Zhu, M. & Cole, JM PDFDataExtractor: una herramienta para leer textos científicos e interpretar metadatos de la literatura tipográfica en formato de documento portátil. J. química. inf. Modelo. 62, 1633–1643 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Brown, T. y col. Los modelos de lenguaje son aprendices de pocas oportunidades. Adv. Inf. neuronal. Proceso. Sistema. 33, 1877-1901 (2020).

Google Académico

Dunn, A. y col. Extracción de información estructurada de textos científicos complejos con grandes modelos de lenguaje ajustados. Preimpresión en https://arxiv.org/abs/2212.05238 (2022).

Walker, N. y col. Extracción de procedimientos de crecimiento de nanovarillas de oro estructurados mediados por semillas de la literatura con GPT-3. Preimpresión en https://doi.org/10.48550/arXiv.2304.13846 (2023).

OpenAI. Informe técnico GPT-4. Preimpresión en https://doi.org/10.48550/arXiv.2303.08774 (2023).

Touvron, H. y col. LLaMA: Modelos de lenguajes básicos abiertos y eficientes. Preimpresión en https://doi.org/10.48550/arXiv.2302.13971 (2023).

Du, Z. y col. GLM: preentrenamiento del modelo de lenguaje general con relleno de espacios en blanco autorregresivo. Actas de la 60.ª reunión anual de la Asociación de Lingüística Computacional (Volumen 1: artículos extensos), 320–335 (2022).

Zhang, Z. & Xu, Z. Base de datos sobre fatiga de aleaciones metálicas complejas. higo compartido. https://doi.org/10.6084/m9.figshare.23007362 (2023).

Liu, F. y col. Mejoras en la resistencia a la fatiga mediante películas metálicas formadoras de vidrio. Madre. Ciencia. Ing., A 468, 246–252 (2007).

Artículo de Google Scholar

Abdi, H. & Williams, LJ Análisis de componentes principales. Wiley Interdisciplinario. Rev. Computación. Estadística. 2, 433–459 (2010).

Artículo de Google Scholar

Él, J. et al. Una aleación de alta entropía endurecida por precipitación con excelentes propiedades de tracción. Acta Mater. 102, 187-196 (2016).

Artículo CAS ADS Google Scholar

Chen, Y., Dai, Z.-W. y Jiang, J.-Z. Vidrios metálicos de alta entropía: formación, cristalización y propiedades del vidrio. J. Compd. de aleaciones. 866, 158852 (2021).

Artículo CAS Google Scholar

Plummer, J. ¿Está el vidrio metálico a punto de alcanzar la mayoría de edad? Nat. Madre. 14, 553–555 (2015).

Artículo CAS PubMed Google Scholar

Park, K.-W. et al. Desorden estructural inducido elastostáticamente en aleaciones amorfas. Acta Mater. 56, 5440–5450 (2008).

Artículo CAS ADS Google Scholar

Ferro, A. & Montalenti, G. Sobre el efecto de la estructura cristalina en la forma de las curvas de fatiga: el caso de las aleaciones hierro-níquel. Filos. revista 10, 1043-1052 (1964).

Artículo CAS ADS Google Scholar

Ferro, A., Mazzetti, P. & Montalenti, G. Sobre el efecto de la estructura cristalina sobre la fatiga: Comparación entre metales centrados en el cuerpo (Ta, Nb, Mo y W) y metales hexagonales y centrados en las caras. Filos. revista 12, 867–875 (1965).

Artículo CAS ADS Google Scholar

Wang, G., Liaw, PK, Senkov, ON, Miracle, DB y Morrison, ML Comportamiento mecánico y de fatiga del vidrio metálico a granel Ca65Mg15Zn20. Adv. Ing. Madre. 11, 27–34 (2009).

Artículo CAS Google Scholar

Huang, C.-K. & Lewandowski, JJ Efectos de los cambios químicos sobre el comportamiento de fatiga por flexión y flexión de cintas de aleación amorfa a base de Al. Metal. Madre. Trans. A 43, 2687–2696 (2012).

Artículo CAS Google Scholar

Guennec, B., Nobori, T., Kuwahara, H. & Ueno, A. Efecto de la relación de tensión sobre el comportamiento a fatiga del vidrio metálico a granel Zr55Al10Ni5Cu30 parte I - Análisis de la resistencia a la fatiga. Intermetálicos 92, 72–78 (2018).

Artículo CAS Google Scholar

Norma ASTM E739-10. Práctica estándar para el análisis estadístico de datos de fatiga tensión-vida (S-N) y deformación-vida (ε-N) lineales o linealizados (ASTM International, 2015).

Instituto Conmemorativo Battelle. Desarrollo y estandarización de propiedades de materiales metálicos (MMPDS-17) (Battelle Memorial Institute, 2022).

Norma ASTM E1545-22. Método de prueba estándar para la asignación de la temperatura de transición vítrea mediante análisis termomecánico (ASTM International, 2022).

Bathias, C. La vida a fatiga de los materiales metálicos. Fractura de fatiga. Ing. Madre. Estructura. 22, 559–565 (1999).

Artículo CAS Google Scholar

Wang, Q., Kawagoishi, N. y Chen, Q. Comportamiento a fatiga y fractura de aleaciones estructurales de Al hasta regímenes de vida muy largos. En t. J. Fatiga 28, 1572-1576 (2006).

Artículo CAS MATH Google Scholar

Müller, C., Wächter, M., Masendorf, R. & Esderts, A. Precisión de los límites de fatiga estimados por el método de la escalera utilizando diferentes técnicas de evaluación. En t. J. Fatiga 100, 296–307 (2017).

Artículo de Google Scholar

ISO 12107:2012(E). Materiales metálicos – Pruebas de fatiga – Planificación estadística y análisis de datos (Organización Internacional de Normalización, 2012).

Shi, P. y col. Sinergia mejorada entre resistencia y ductilidad en aleaciones eutécticas de alta entropía de grano ultrafino al heredar laminillas microestructurales. Nat. Comunitario. 10, 489 (2019).

Artículo CAS PubMed PubMed Central ADS Google Scholar

Borg, CK y cols. Conjunto de datos ampliado de propiedades mecánicas y fases observadas de aleaciones de elementos multiprincipales. Ciencia. Datos 7, 430 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Este estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China a través de las subvenciones 11825203, 11832010, 11921002, 52090032, 12122204 y 11872150.

Estos autores contribuyeron igualmente: Zian Zhang, Haoxuan Tang.

Laboratorio de Mecánica Aplicada y Departamento de Ingeniería Mecánica, Universidad de Tsinghua, Beijing, 100084, China

Zian Zhang, Haoxuan Tang y Zhiping Xu

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

ZX concibió y supervisó la investigación. ZZ y HT realizaron el trabajo. Todos los autores participaron en la discusión de los resultados y la preparación del manuscrito.

Correspondencia a Zhiping Xu.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Zhang, Z., Tang, H. y Xu, Z. Base de datos sobre fatiga de aleaciones metálicas complejas. Datos de ciencia 10, 447 (2023). https://doi.org/10.1038/s41597-023-02354-1

Descargar cita

Recibido: 22 de mayo de 2023

Aceptado: 30 de junio de 2023

Publicado: 12 de julio de 2023

DOI: https://doi.org/10.1038/s41597-023-02354-1

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt