海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
脆性断裂是BCC过渡态金属的重要失效机制，限制了BCC金属在低温下的应用并且会引起突发结构失效。现有的研究认为螺位错滑移的热激活和裂纹尖端断裂机制的共同作用主导着BCC金属中的脆韧转变。由于DFT计算能力的限制，无法模拟全域原子尺度的裂纹尖端扩展过程，而经典分子动力学所采用的EAM势函数给出了具有争议的结果，即不同的EAM势函数预测的裂纹尖端变形机制不同，这主要是因为EAM势函数是为模拟不同的材料性质进行的拟合。该研究提出了一种提取裂纹尖端信息的主动学习方法，这一方法可应用于不同机器学习框架和不同材料，能够以近第一性原理精度预测原子尺度下裂纹尖端的变形行为。
来自荷兰格罗来自荷兰格罗宁根大学的Francesco Maresca教授和博士生张磊基于主动学习构建了DFT精度的高斯机器学习势函数，给出了低温下单晶铁的脆性断裂主导的裂纹扩展机制。该研究通过利用高斯回归模型预测的不确定性作为主动学习指标，揭示了高斯模型中预测误差与真实误差之间的线性关系，表明了机器学习势函数可以通过特殊设计的数据库构型来增加精度，且主动学习的效率要远大于人工加入相关构型。该研究与相关实验测得的断裂韧性的对比揭示了即使在低温条件下（77K），位错活动对断裂韧性的影响仍不可忽略，为多尺度方法模拟工程材料的断裂韧性提供了新思路。
图1 （a）主动学习框架 （b）生成含裂纹尖端信息的DFT构型
该文近期发表于
npj Computational Materials
9
：
217
(2023)
，
英文标题与摘要如下，点击左下角“
阅读原文
”可以自由获取论文PDF。
Atomistic fracture in bcc iron revealed by active learning of Gaussian approximation potential
Lei Zhang, Gábor Csányi, Erik van der Giessen & Francesco Maresca
The prediction of atomistic fracture mechanisms in body-centred cubic (bcc) iron is essential for understanding its semi-brittle nature. Existing atomistic simulations of the crack-tip under mode-I loading based on empirical interatomic potentials yield contradicting predictions and artificial mechanisms. To enable fracture prediction with quantum accuracy, we develop a Gaussian approximation potential (GAP) using an active learning strategy by extending a density functional theory (DFT) database of ferromagnetic bcc iron. We apply the active learning algorithm and obtain a Fe GAP model with a converged model uncertainty over a broad range of stress intensity factors (SIFs) and for four crack systems. The learning efficiency of the approach is analysed, and the predicted critical SIFs are compared with Griffith and Rice theories. The simulations reveal that cleavage along the original crack plane is the atomistic fracture mechanism for {100} and {110} crack planes at T = 0 K, thus settling a long-standing issue. Our work also highlights the need for a multiscale approach to predicting fracture and intrinsic ductility, whereby finite temperature, finite loading rate effects and pre-existing defects (e.g., nanovoids, dislocations) should be taken explicitly into account.
