Учёные обучили нейросеть определять вязкость жидких металлов
От вязкости расплава зависит выбор режима разливки металлов, условия формирования слитка и другие параметры. Фото: Илья Сафаров.
Учёные Института металлургии УрО РАН и Уральского федерального университета разработали метод теоретического высокоточного определения вязкости жидких металлов с использованием обученной искусственной нейронной сети. Метод был успешно опробован в процессе создания потенциала глубокого обучения нейросети на примере жидкого галлия. Учёным удалось значительно увеличить пространственно-временной масштаб моделирования. При этом результаты моделирования молекулярной динамики жидкого галлия отличаются особой точностью. Существовавшая ранее методика расчетов отличалась погрешностями, особенно в диапазоне низких температур. Статья с описанием проведенных исследований опубликована в журнале Computational Materials Science.
«Во-первых, жидкости в принципе сложно поддаются теоретическому описанию. Причина, на наш взгляд, кроется в отсутствии простого начального приближения для этого класса систем (к примеру, начальным приближением для газов является модель идеального газа). Во-вторых, атомистический расчет вязкости требует обработки большого объёма статистических данных и в то же время большой точности описания поверхности потенциальной энергии и сил, действующих на атомы. Прямыми расчетами такого эффекта не добиться. В-третьих, галлий в жидком состоянии сложен для теоретического описания, так как из-за определенных особенностей его структура отличается от структуры большинства других металлов», — объясняет Владимир Филиппов, старший научный сотрудник кафедры редких металлов и наноматериалов УрФУ, участник исследований и соавтор статьи.
Уральские ученые решили задачу моделирования молекулярной динамики жидкого галлия путем обучения нейросети, которая до этого успешно применялась к широкому ряду материалов. По словам Владимира Филиппова, в качестве обучающего набора были использованы данные квантово-химического моделирования энергии и сил, действующих на атомы. Моделированию подверглись несколько тысяч конфигураций из 500 атомов в диапазоне от 303 (температура плавления) до 1400 кельвинов (около 30–1130 градусов Цельсия).
«В физическом эксперименте при температурах выше 1300 кельвинов происходит интенсивное испарение жидкого галлия, это приводит к неконтролируемому изменению массы образца и вследствие этого к большой ошибке эксперимента. В молекулярно-динамических расчетах такого ограничения нет», — поясняет Владимир Филиппов.
Для каждого выбранного значения температуры (303, 400, 600, 800, 1000, 1200, 1400 К) обсчитывалось 4000 атомов и 10 различных траекторий — последовательных положений атомов системы во времени, вычисленных по уравнениям движения с различными начальными условиями по скорости и координатам атомов.
«Если 500 атомов использовались для точного расчета полной энергии и сил, действующих на каждый атом, с помощью первопринципной молекулярной динамики и создания потенциала глубокого обучения нейросети, то в системе из 4000 атомов полученный потенциал машинного обучения использовался для расчета вязкости с помощью классической молекулярной динамики», — комментирует Владимир Филиппов.
Использование созданного потенциала глубокого обучения нейросети для жидкого галлия позволило увеличить пространственно-временные масштабы моделирования. При этом точность расчетов молекулярной динамики соответствовала первопринципной, то есть основанной на расчетах по законам природы, без допущения дополнительных предположений.
Чтобы проверить результаты моделирования, учёные экспериментально измерили вязкость жидкого галлия от точки плавления (когда показатели вязкости максимальны) до 1270 К. Для этого они использовали оригинальную автоматизированную установку для измерения вязкости высокотемпературных металлических расплавов, основанную на методе затухающих крутильных колебаний цилиндрического тигля (стаканчика).
«В опыте с применением этого метода измеряются две величины: период и декремент затухания колебаний подвесной системы (декремент затухания — количественная характеристика быстроты затухания колебаний). Тигель с исследуемой жидкостью подвешен на упругой нити внутри печи с инертной атмосферой гелия. При свободных крутильно-колебательных движениях подвесной системы внутреннее трение, возникающее в жидкости, вызывает затухание крутильных колебаний и изменение периода колебаний по сравнению с периодом при пустом тигле», — описывает Владимир Филиппов, принявший участие в создании экспериментальной установки.
Чем выше вязкость жидкости, тем быстрее затухают колебания, добавляет учёный. В расчетах вязкости также учитываются силы трения, обусловленные наличием газовой среды вокруг тигля и несовершенством нити подвеса. Этим вызвана необходимость в измерениях периода и декремента затухания с пустым тиглем при тех же условиях, что и в опытах с жидкостью. Измерения вязкости жидкого галлия проводили с шагом по температуре 10–50 K вблизи температуры плавления и 100–150 K при высоких температурах. При каждой температуре измерения периода и декремента затухания проводили после выдержки жидкого галлия в течение 30–40 минут, до получения стабильных значений измеряемых величин.
Проверка показала, что расчеты вязкости по результатам моделирования отлично согласуются с данными, полученными в ходе эксперимента и, в области высоких температур, — с наиболее надежными экспериментальными данными других исследователей. Более того, полученные результаты позволяют устранить неоднозначность литературных данных о вязкости жидкого галлия в низкотемпературном диапазоне.
«Таким образом, можно утверждать, что представленная в статье температурная зависимость вязкости жидкого галлия является наиболее надежной на сегодняшний день и может быть использована в дальнейших расчетах явлений и свойств жидкого галлия, например, в поиске закономерностей и аномалий в соотношениях структурных и динамических особенностей системы. Файл с параметрами разработанного — развитого и эффективного — потенциала глубокого обучения нейросети расчетам межатомного взаимодействия в жидком галлии доступен в режиме онлайн», — подчеркивает Владимир Филиппов.
Работа проведена в рамках государственного задания Института металлургии УрО РАН и при финансовой поддержке Российского фонда фундаментальных исследований (проект № 20–03–00370). Автоматизированная установка для измерения вязкости металлических расплавов создана при финансовой поддержке Российского научного фонда (проект № 14–13–00676) и Российского фонда фундаментальных исследований (проект № 14–03–01126-а). Ученые УрО РАН и УрФУ планируют усовершенствовать разработанный потенциал глубокого обучения нейросети.
