Ermüdungsdatenbank komplexer Metalllegierungen
Scientific Data Band 10, Artikelnummer: 447 (2023) Diesen Artikel zitieren
528 Zugriffe
1 Altmetrisch
Details zu den Metriken
In den letzten Jahrzehnten gab es rasante Fortschritte in der Forschung und Entwicklung komplexer Metalllegierungen wie Metallgläser und Legierungen mit mehreren Hauptelementen, die neue Lösungen für die Bewältigung technischer Probleme von Materialien wie dem Konflikt zwischen Festigkeit und Zähigkeit und dem Einsatz in rauen Umgebungen bieten und/oder für den Langzeiteinsatz. Bis Ende 2022 wird aus der Literatur eine Ermüdungsdatenbank (FatigueData-CMA2022) zusammengestellt. Daten sowohl für metallische Gläser als auch für Legierungen mit mehreren Hauptelementen werden einbezogen und auf ihre Statistiken und Muster analysiert. Automatische Extraktion und manuelle Prüfung werden im Workflow kombiniert, um die Effizienz der Verarbeitung, die Qualität der veröffentlichten Daten und die Wiederverwendbarkeit zu verbessern. Die Datenbank enthält 272 Ermüdungsdatensätze mit SN-Daten (Beziehung zwischen Spannung und Lebensdauer), ε-N (Beziehung zwischen Dehnung und Lebensdauer) und da/dN-ΔK (Beziehung zwischen der Wachstumsrate von Ermüdungsrissen und dem Spannungsintensitätsfaktorbereich). , zusammen mit Informationen zu Materialien, Verarbeitungs- und Prüfbedingungen und mechanischen Eigenschaften. Die Datenbank und die Skripte werden in offenen Repositories veröffentlicht, die in Formaten gestaltet sind, die kontinuierlich erweitert und aktualisiert werden können.
Metallische Werkstoffe sind so wichtig, dass durch ihre Verwendung die historische Entwicklung der menschlichen Zivilisation dargestellt werden kann (Abb. 1a). Forschung und Entwicklung von Metalllegierungen verkörpern und fördern die Fortschritte in den Materialwissenschaften, experimentellen Werkzeugen und Herstellungsprozessen. Die frühe Entwicklung fortschrittlicher Legierungen erfolgt größtenteils empirisch durch Versuch und Irrtum. Theoretische und numerische Methoden1,2,3,4 basierend auf der Physik und Chemie der Metalle wurden im 20. Jahrhundert nach und nach etabliert. Es bleibt jedoch eine Herausforderung, die Komplexität zu lösen, die die Mikrostrukturen metallischer Legierungen mit ihrer Leistung verknüpft. Selbst im Grenzbereich von Einkristallen (SC), wo die Korngrenzen (GBs) eliminiert werden, um eine außergewöhnliche mechanische Hochtemperaturleistung zu erzielen5, entstehen bei plastischer Verformung Defekte wie Versetzungsnetzwerke und stören die Perfektion kristalliner Strukturen. In jüngster Zeit hat die Erforschung von Materialien mit vorgefertigten Nano- oder Mikrostrukturen wie nanokristallinen (NC), nanoverzwillingten (NT) und funktional abgestuften (FG) Legierungen große Erfolge bei der Entdeckung von Hochleistungslegierungen erzielt. Beispielsweise steuert die GB-Verstärkung (auch bekannt als Hall-Petch-Effekt6,7) die Entwicklung hochfester Legierungen durch die Verfeinerung der Körner auf ein bestimmtes Niveau8. Die Forschung wurde auch der Entwicklung komplexer Metalllegierungen wie Metallgläsern (MGs) gewidmet, und solche mit mehreren Hauptelementen werden vorgeschlagen und hergestellt9,10. Es hat sich gezeigt, dass die chemische und strukturelle Heterogenität kristallographische Ausrutscher verhindern und die Festigkeit und Bruchzähigkeit verbessern kann11,12.
Komplexität metallischer Legierungen. (a) Die Entwicklung metallischer Legierungen, Produktionstechnologie, technische Designkriterien und Wissenschaft. Zur besseren Übersichtlichkeit ist die Zeitleiste für verschiedene Zeiträume skaliert. Jedes kreisförmige Balkendiagramm stellt die Ebenen von vier Eigenschaften der Metalllegierungen dar, wobei der Name in der Mitte markiert ist. „AM“ bezeichnet die additiv hergestellten Legierungen, „MG“ bezeichnet das metallische Glas und „MPEA“ bezeichnet die Legierung mit mehreren Hauptelementen. Das obere linke Viertel gibt die Komplexität des Materials an, wie in Tafel b dargestellt. Das obere rechte Viertel bezeichnet das menschliche Wissen über das Material. Das untere linke Viertel gibt den Einsatzbereich des Materials an. Das untere rechte Viertel gibt das Potenzial des zu entwickelnden Materials mit überlegener mechanischer Leistung an. (b) Die Komplexität metallischer Legierungen umfasst die chemische Zusammensetzung, Strukturen auf atomarer Ebene und Mikrostrukturen. Die Komplexität von MGs und MPEAs in jedem Aspekt wird hervorgehoben.
Die Komplexität metallischer Legierungen ergibt sich aus vielen Aspekten (Abb. 1b). Die chemische Zusammensetzung der Hauptelemente und ihre Strukturen auf atomarer Ebene steuern die elektronischen Strukturen und Ordnungen in verschiedenen Bereichen (kurz, mittel oder lang)13,14. Anschließend werden die Art der chemischen Bindung und die Gittersymmetrien definiert, die eine dominierende Rolle im mechanischen Verhalten von Materialien spielen. Insbesondere definieren Strukturen auf atomarer Ebene wie kubisch-raumzentrierte (BCC), kubisch-flächenzentrierte (FCC), hexagonal dicht gepackte (HCP) und amorphe Strukturen die lokale Anordnung von Atomen und die weitreichenden Translations- und Rotationsordnungen . Diese Eigenschaften sind entscheidend für die Gleitprozesse, die die Plastizität von Materialien bestimmen. Beispielsweise ist die Schlupflokalisation bei FCC- und HCP-Legierungen ausgeprägter als bei BCC-Legierungen, was zu einer geringeren normalisierten Ermüdungsfestigkeit (FS/YS oder FS/UTS) in der ersteren Klasse15 führt, wobei FS, YS und UTS Abkürzungen für Ermüdungsfestigkeit, Streckgrenze sind Festigkeit bzw. Zugfestigkeit. Darüber hinaus können Legierungselemente die Materialien verstärken, indem sie feste Lösungen oder Ausfällungen bilden16 und sogar eine Phasenumwandlung auslösen17. Die Plastizität in amorphen Strukturen erfolgt über Schertransformationen oder Diffusionssprungprozesse18, die mit lokaler atomarer Umlagerung verbunden sind. Die Aktivierungsenergie der lokalen Atomumlagerung ist normalerweise höher als die von kristallinen Schlüpfern und führt daher zu einer erhöhten Festigkeit in MGs18,19. Die „Materialgene“ wie die Zusammensetzung, Strukturen auf atomarer Ebene und Mikrostrukturen eröffnen einen hyperdimensionalen Gestaltungsraum für die Entdeckung komplexer Metalllegierungen sowie eines breiten Spektrums vielversprechender Leistungen. Durch die Verfolgung eines datengesteuerten Ansatzes kann eine solche Erkundung erheblich beschleunigt werden.
Die Gestaltung der Legierungszusammensetzung wird durch die thermodynamischen Stabilitäten von Legierungsphasen mit spezifischen Strukturen auf atomarer Ebene begrenzt1. Mikrostrukturen wie die Textur hängen maßgeblich von den Syntheseverfahren und thermomechanischen Verarbeitungsbedingungen ab. Beispielsweise sind FCC-Austenit, BCC-Ferrite und raumzentrierter tetragonaler (BCT) Martensit drei Hauptphasen von Stählen, die durch das FCC-bevorzugte Ni-Äquivalent und das BCC-bevorzugte Cr-Äquivalent der Legierungselemente gesteuert werden20. HCP α-Ti kann durch Al, O, N und C stabilisiert werden, während BCC β-Ti durch V, Mo, Ta und Nb21 stabilisiert werden kann. Die Zusammensetzung beeinflusst auch den Phasenanteil in Zweiphasenlegierungen (DP oder Duplex) wie DP-Stählen und α + β-Titanlegierungen21,22. In Legierungssystemen wie TiAl und NiAl bilden sich intermetallische Verbindungen mit unterschiedlichen Gitterstrukturen, wenn die Zusammensetzung variiert, wodurch eine hohe Festigkeit erreicht werden kann21,23. Bei Ni-basierten SC-Superlegierungen sind intermetallische γ′-Phasen von Ni3 (Al, Ta, Ti) in den L12-Strukturen in einer γ-Matrix (FCC Ni) dispergiert und bieten eine außergewöhnliche Hochtemperaturfestigkeit5. Die Größe, Morphologie und Textur der Körner kann durch die thermomechanischen Verarbeitungsbedingungen (Temperaturen, Belastungen und deren Abfolgen) gesteuert werden24,25. In jüngster Zeit wurde die additive Fertigung (AM) umfassend für die einfache Herstellung von Strukturbauteilen mit komplexen Geometrien erforscht. Die Kontrolle von Mikrostrukturen in der AM kann in bestimmten Regionen im Mikrometermaßstab unter Laser- oder Elektronenstrahlen26,27,28 etabliert und in situ29,30 charakterisiert werden. Darüber hinaus werden fortschrittliche Techniken wie die gerichtete Erstarrung (DS) und die Verarbeitung mit starker plastischer Verformung (SPD) zur Herstellung von SC- bzw. NC-Legierungen eingesetzt31,32. Konventionelle Herstellungstechniken für Legierungen mit geringer oder mittlerer Komplexität (z. B. einzelne oder wenige Hauptelemente, polykristalline Texturen) werden aufgrund ihrer hohen Technologiereife (TRLs) und niedrigen Kosten häufig eingesetzt. Um die Legierungsleistung weiter zu steigern und den Konflikt zwischen Festigkeit und Zähigkeit zu lösen, sind wichtige Erkenntnisse über die Beziehung zwischen Zusammensetzung, Verarbeitung, Mikrostrukturen und Leistung (CPMP) erforderlich, insbesondere für Legierungen mit hoher Komplexität in der chemischen Zusammensetzung und/oder in den Strukturen auf atomarer Ebene.
MGs und Multi-Hauptelement-Legierungen (MPEAs) sind zwei neue metallische Materialien mit hoher Zusammensetzung und struktureller Komplexität. Die Entdeckung metallischer Gläser im Jahr 1960 stellt unser Wissen über Metalle auf den Kopf, das damals weitgehend auf kristalline Materialien beschränkt war9. Die Entwicklung von Legierungen mit tiefen Eutektika seit den 1990er Jahren ermöglicht es außerdem, dass flüssigkeitsähnliche Strukturen in dickeren Abschnitten beim Abkühlen auf Umgebungstemperatur im amorphen Zustand erhalten bleiben33. Die amorphen Strukturen von MG stellen das Extrem der komplexen Strukturen auf atomarer Ebene dar und bieten eine hohe Festigkeit und manchmal eine hohe Bruchzähigkeit12. Andererseits reichen die Studien zu Multi-Hauptelement-Legierungen (MPEAs) bis in die 1970er Jahre zurück, und ähnliche Konzepte tauchten später auf, wie etwa hochentropische Legierungen (HEAs) und komplexe konzentrierte Legierungen (CCAs)34. Die in dieser Arbeit untersuchten MPEAs umfassen Metalle mit mehreren (≥3) Hauptelementen in einer einzigen Phase einer festen Lösung, im Gegensatz zu Ausscheidungen in herkömmlichen Legierungen. MPEAs sind in ihrer Zusammensetzung komplex, weisen jedoch relativ einfache Strukturen auf atomarer Ebene auf. Die interatomare Wechselwirkung ist im Allgemeinen eine Mischung metallischer, ionischer und kovalenter Natur. MPEAs zeichnen sich aufgrund der starken Bindung zwischen den Atomen und der geringen Diffusionsfähigkeit der Atome für den hohen Grad an Fernordnungen in der Regel durch eine hervorragende thermische Stabilität und Hochtemperaturfestigkeit aus35. MGs und MPEAs zeigen unterschiedliche Aspekte der Materialkomplexität und bilden repräsentative Teilmengen fortschrittlicher Legierungen, deren Forschung sich noch im Explorationsstadium befindet. Die Einrichtung gut strukturierter Datenbanken für komplexe MGs und MPEAs und deren Aktualisierung durch die anschließende Entwicklung sind daher von entscheidender Bedeutung für den datengesteuerten Ansatz36, der die Erkundung des Zusammensetzungsraums und die Optimierung der Verarbeitungsbedingungen im Hinblick auf eine Verbesserung der Legierungsleistung erleichtern kann37 .
Die Datenwissenschaft ist bei der Erforschung von MGs und MPEAs aufgrund des großen Designspielraums im Vergleich zu herkömmlichen Legierungen von entscheidender Bedeutung. Experimentell gemessene36,38,39 und theoretisch vorhergesagte40,41 Daten aus der Literatur und Forschungsberichten sind wertvolle Quellen, um die Leistung von Legierungen zu verstehen und zu verbessern. Es wird erwartet, dass Text-Mining-, Bilddatenverarbeitungs- und künstliche Intelligenz37,42-Techniken Einblicke in die CPMP-Beziehung bieten, wie in unserer jüngsten Arbeit zu AM-Legierungen43 gezeigt. Der Aufbau einer so großen Datenbank erfordert jedoch Prozesse der Datengenerierung, -sammlung, -veröffentlichung und -pflege, die zeit-, kosten- und arbeitsintensiv sind und die Fähigkeiten eines einzelnen Forschers oder einer einzelnen Gruppe übersteigen. Eine weltweite Zusammenarbeit im Rahmen von Open Science und FAIR-Prinzipien (auffindbar, zugänglich, interoperabel und wiederverwendbar) stellt eine vielversprechende Lösung für dieses Problem dar44. Es ist zu beachten, dass Daten in den Materialwissenschaften mehrere intrinsische Merkmale aufweisen. Beispielsweise können Materialeigenschaften von Kristallen und Polymeren durch theoretische Berechnungen mit hohem Durchsatz vorhergesagt werden, sogar auf der Ebene der ersten Prinzipien45,46. Experimentelle Daten für diese Materialien können zusätzlich zur Rolle der Daten selbst auch zur Verifizierung und Validierung (V&V) theoretischer Modelle verwendet werden. Materialeigenschaften wie Ermüdung können jedoch aufgrund der komplexen Wege der mikrostrukturellen Entwicklung theoretisch nicht im Voraus genau vorhergesagt werden47,48 und experimentelle Daten sind die einzige zuverlässige Quelle.
Experimentelle Studien berichten über außergewöhnliche mechanische Eigenschaften für MGs und MPEAs18,49,50, die Vorteile unter rauen Einsatzbedingungen wie Ermüdung und Korrosion zeigen11,49,51, wo herkömmliche Legierungen bereits an ihre Grenzen stoßen. Beispielsweise sind aus MGs und MPEAs hergestellte Komponenten vielversprechend für die Erforschung und Besiedlung des Weltraums52, wo Materialien erforderlich sind, die während ihrer gesamten Einsatzphase extremen Bedingungen wie Hitze, Stößen und Strahlung standhalten53. Aufgrund der begrenzten Größe von MGs, der Produktionskosten und der Inkompatibilität mit herkömmlichen industriellen Herstellungsprozessen sind Anwendungen von MGs und MPEAs bei der Gestaltung der strukturellen Integrität jedoch noch vorläufig. Eine der entscheidenden Eigenschaften moderner Legierungen ist die Beständigkeit gegenüber langfristigen und meist variablen Belastungsbedingungen, insbesondere Ermüdungsbedingungen. Ermüdung wird seit mehr als einem Jahrhundert untersucht54, aber sie belastet Wissenschaftler und Ingenieure immer noch und verursacht erhebliche Verluste55,56. Im Gegensatz zur Steifigkeit, Festigkeit und Zähigkeit weist die anhand von Legierungsexperimenten gemessene Ermüdungsleistung in der Regel eine große Streuung auf. Um die Zuverlässigkeit in industriellen Anwendungen sicherzustellen, werden Standards57,58,59,60 und Richtlinien61 für Design, Tests, Fertigung, Betrieb und Wartung ermüdungsanfälliger Komponenten entwickelt. Diese Vorschriften bieten eine Grundlage für die Bewertung von Ermüdungseigenschaften unter Verwendung von Daten zu den Beziehungen zwischen Spannungs-Lebensdauer (SN), Dehnungs-Lebensdauer (ε-N) und Ermüdungsrisswachstumsraten (FCGR, da/dN-ΔK) für Hochlastzyklen Ermüdung (HCF), Kurzzeitermüdung (LCF) und Schadenstoleranzdesign. Daher ist es notwendig, eine Ermüdungsdatenbank für komplexe Metalllegierungen wie MGs und MPEAs aufzubauen.
In dieser Arbeit sammeln wir Ermüdungsdaten und zugehörige Informationen, die für MGs und MPEAs in 1.249 wissenschaftlichen Artikeln (bis Ende 2022) gemeldet wurden. Für die Datenextraktion aus Abbildungen, Tabellen und Texten werden Open-Source- und firmeneigene Codes verwendet. Die Beschreibung der Forschung und die gemeldeten SN-, ε-N- und da/dN-ΔK-Daten werden umrissen.
Unser Workflow umfasst die Inhaltserfassung (Suche und Download), die Datenextraktion (aus Abbildungen, Tabellen und Text) und den Datenbankaufbau. Nachfolgend finden Sie eine kurze Beschreibung des Arbeitsablaufs. Hier werden nur die wichtigsten Punkte und Verbesserungen unserer Methodik beschrieben. Einzelheiten finden Sie in unserer früheren Arbeit zu den Ermüdungsdaten von AM-Legierungen43. Die Leistung der automatisierten Datenextraktion wird anhand der Metriken Präzision, Rückruf und F1-Score bewertet
Dabei bezeichnet TP das wahre Positive oder die Anzahl der korrekt extrahierten Daten, FP das falsch positive oder die Anzahl der falsch extrahierten Daten und FN das falsch negative oder die Anzahl der nicht extrahierten Daten. Der F1-Score ist das harmonische Mittel aus Präzision und Erinnerung.
Schlüsselwörter für MGs, MPEAs und Ermüdung werden zusammengefasst (Tabelle 1) und in den Suchformeln zusammengestellt. WoS gibt 1.249 Artikeldatensätze zurück. Irrelevante Artikel werden durch ein Klassifizierungsmodell der natürlichen Sprachverarbeitung (NLP)62 herausgefiltert. Anschließend werden die Aufzeichnungen durch manuelle Prüfung korrigiert. 326 gezielte Artikel werden entsprechend ihrer digitalen Objektkennungen (DOIs) mithilfe von Programmierschnittstellen (APIs) des Herausgebers und dem Open-Source-Code Article-Downloader63 heruntergeladen. Es werden Dokumente in den Formaten Extensible Markup Language (XML)/Hypertext Markup Language (HTML) und Portable Document Format (PDF) heruntergeladen, die dann durch automatisiertes Parsen bzw. manuelle Prüfung verarbeitet werden.
Die Zahlen werden mit PyMuPDF aus den PDF-Dokumenten extrahiert. Die Segmentierung von Figuren mit mehreren Panels wird durch einen regelbasierten Code automatisiert und erreicht einen F1-Score von 86 % (Tabelle 2). Die Klassifizierung der Ermüdungszahlen erfolgt durch ein Convolutional Neural Network (CNN)-Modell, ResNet64 (Abb. 2a), mit einem F1-Score von 90 % (Tabelle 2). Die in Streudiagrammen dargestellten Ermüdungsdaten (SN, ε-N und da/dN-ΔK) werden mit dem hauseigenen MATLAB-Code IMageEXtractor (IMEX)43 extrahiert. Tabellen in XML-/HTML-Dateien werden vom Tabellenextraktor65 analysiert, während die in den PDFs eingebetteten Tabellen manuell verarbeitet werden. Die Bewertungsmetriken der Tabellendatenextraktion sind in Tabelle 2 zusammengefasst.
Abbildungsverarbeitung und Textdatenextraktion. (a) Zahlen aus Artikeln werden zunächst durch ein regelbasiertes Skript segmentiert und dann mithilfe eines Convolutional Neural Network (CNN)-Modells, ResNet64, klassifiziert. (b) Für GPT-3.567 wird eine Eingabeaufforderung mit der Aufgabenanweisung, Beispielen und dem zu verarbeitenden Text erstellt. Um die Leistung des Wenig-Schuss-Lernens zu bewerten, werden 2-3 Beispiele verwendet.
Texte im XML/HTML-Format werden mit unserem hauseigenen Parsing-Code TEXTract43 extrahiert. Artikel, für die nur PDF-Dateien verfügbar sind, werden vom PDFDataExtractor66 extrahiert. Die Textklassifizierung für Abstracts und Absätze erfolgt mithilfe der NLP-Bibliothek Simple Transformers with Robustly Optimized BERT Pretraining Approach (RoBERTa)62. Daten, einschließlich Informationen zu Materialien, Verarbeitung, Prüfung und mechanischen Eigenschaften, werden aus Zielabsätzen mithilfe des Generative Pre-trained Transformer (GPT)67 der Version 3.5 extrahiert. GPT ist ein großes vorab trainiertes Sprachmodell mit Milliarden von Parametern und einer hervorragenden Leistung beim Lernen mit wenigen Schüssen67. GPT kann eine Textvervollständigungsaufgabe durchführen, die basierend auf der Eingabeaufforderung der Benutzer die wahrscheinlichste Vervollständigung (Ausgabe) generiert. Unsere Eingabeaufforderungen in GPT umfassen eine Aufgabenanweisung, Beispiele und den zu verarbeitenden Text (Abb. 2b). Die Aufgabenanweisung fordert das GPT auf, Daten aus Text zu extrahieren und sie im JSON-Format zurückzugeben. Bei jedem Beispiel handelt es sich um ein Textvervollständigungspaar, um den Inhalt und das Format der zu extrahierenden Daten zu veranschaulichen. Der zu verarbeitende Text wird am Ende der Eingabeaufforderung platziert. GPT gibt dann die in JSON formatierte Vervollständigung zurück. Da die maximale Anzahl an Token in der aktuellen Version 4.096 beträgt (einschließlich Eingabeaufforderung und Vervollständigung), erfolgt die Arbeit hier durch die Verarbeitung der Absätze nacheinander, versehen mit 2-3 Beispielen (Lernen mit wenigen Schüssen). Der F1-Score von GPT-3.5 liegt bei 88 %, was darauf hindeutet, dass große Sprachmodelle (LLMs) wie GPT in der Lage sind, den größten Teil des Textes zu verstehen und die menschliche Arbeit bei der Erstellung von Extraktionsregeln oder der Erstellung von NLP-Modellen zu reduzieren. Feinabgestimmte oder aktualisierte GPT-Modelle können den F1-Score verbessern, aber die Leistung reicht möglicherweise immer noch nicht aus, um eine hochwertige Datenbank auf Forschungsniveau aus der Literatur zu erstellen68,69,70. Außerdem ist GPT der Versionen >3 nicht Open-Source. Wir führen daher keine Feinabstimmung des GPT-Modells durch und führen keine manuelle Datenkorrektur durch. Die Produktdaten können als Trainingssätze für GPT und alternative LLMs wie LLaLMA71 und GLM72 verwendet werden.
Um die Datenbank aufzubauen, sollten aus Zahlen extrahierte Ermüdungsdaten mit aus Texten und Tabellen extrahierten Dateneinträgen zu Materialinformationen, Verarbeitungs- und Prüfbedingungen sowie mechanischen Eigenschaften korreliert werden. Die meisten Dateneinträge, wie z. B. Verarbeitungs- und Prüfparameter, variieren im selben Artikel nicht, und einzelne für einen bestimmten Dateneintrag extrahierte Werte werden allen Datensätzen zugeordnet, die sich auf den Artikel beziehen. Bei Dateneinträgen mit mehreren Werten erfolgt die Zuordnung entsprechend der Legendenbeschriftung.
Ermüdungsdaten kritischer Strukturkomponenten im Betrieb reagieren empfindlich auf Verarbeitung, Belastungen und Umgebung. Daher sind manuelle Prüfungen und Korrekturen erforderlich, um die Qualität der Daten sicherzustellen. Der Umfang der manuellen Arbeit hängt von der Leistung des automatisierten Arbeitsablaufs und den Anforderungen an die Genauigkeit bestimmter Anwendungen ab. Für Konstruktionszwecke sollten die Daten für zuverlässige Komponenten genau sein und manuelle Korrekturen sind unerlässlich. Obwohl die Qualität der mit diesem Dokument veröffentlichten Daten durch manuelle Korrekturen sichergestellt wird, weisen wir darauf hin, dass für die Verwendung der Datenbank in Modellen für maschinelles Lernen eine begrenzte Anzahl falscher Werte toleriert werden kann. Eine umfassende Prüfung kann somit durch eine Stichprobenprüfung ersetzt werden, was angesichts des großen Umfangs des wissenschaftlichen Literaturkorpus eine deutliche Arbeitsersparnis darstellt. Um den Aufbau einer hochwertigen Datenbank zu leiten, wird die Stichprobenstrategie auf der Grundlage der Genauigkeit der automatisierten Datenextraktion (αa) oder der manuellen Prüfung (αm) bestimmt, die in unserer Arbeit und anderen hochwertigen, literaturgestützten Datenbanken angegeben ist36,38,39 ,43. Für eine Zielgenauigkeit (αt) werden die Größe des Stichprobensatzes relativ zu den vollständigen Datensätzen (s) und die Untersuchungsrunden (nr) durch die Bedingung \(\left(1-{\alpha }_{{\ rm{a}}}\right){\left[1-s+s\left(1-{\alpha }_{{\rm{m}}}\right)\right]}^{{n}_ {{\rm{r}}}}\le 1-{\alpha }_{{\rm{t}}}\).
Die FatigueData-CMA2022-Datenbank73 ist als MAT- (MATLAB-), JSON- und EXCEL-Dateien unter https://doi.org/10.6084/m9.figshare.23007362 verfügbar. MGs und MPEAs, die als Beschichtungen für andere Substratmaterialien verwendet werden, sind ausgeschlossen, da die Daten nicht deren Leistung widerspiegeln74. Die MAT- und JSON-Dateien werden in einer hierarchischen Baumstruktur formatiert, wie in Abb. 3 dargestellt. Die Baumknoten, die Datenwerte speichern, werden als Dateneinträge bezeichnet. Zu den Dateneinträgen gehören Zeichenfolgen- und numerische Datentypen. Textdaten wie Titel, Verarbeitungsarten und Ermüdungstests werden als Zeichenfolgen gespeichert. Daten mit mehreren Strings wie Autoren, Länder und Institutionen werden als String-Arrays gespeichert. Das Erscheinungsjahr wird als numerische Zahl definiert und andere numerische Daten wie Ermüdungsdaten, Verarbeitungsparameter und Belastungsverhältnisse werden in Form von numerischen Arrays gespeichert. Die Baumknoten, die zum Gruppieren von Dateneinträgen verwendet werden, werden Datenstrukturen genannt. Mehrere Strukturen wie Artikel oder Ermüdungsdatensätze werden in Strukturarrays angeordnet. Um die Programmierimplementierung und Datenerfassung zu erleichtern, werden Schlüssel für Dateneinträge, Strukturen und Strukturarrays definiert (Abb. 3, Tabellen 3–5).
Datenbankstruktur. Die FatigueData-CMA2022-Datenbank ist in einer hierarchischen Baumstruktur formatiert. Der Name jedes Baumknotens wird gelb hervorgehoben. Schlüssel sind für den einfachen Zugriff durch Skripte definiert. Jeder Knoten hat seinen spezifischen Datentyp. Zwei Kreisdiagramme zeigen die Statistiken der Arten von Ermüdungsdatensätzen für metallische Gläser (MGs) und Multi-Hauptelement-Legierungen (MPEAs).
Die Datenstrukturen der obersten Ebene der FatigueData-CMA2022-Datenbank73 sind in Abb. 3 dargestellt. Der Wurzelknoten ist die Datenbank, die untergeordnete Knoten von Artikeln und ein Standardeinheitensystem (z. B. MPa für Spannung, °C für Temperatur) enthält. Rohe numerische Daten werden in Standardeinheiten für Dateneingaben konvertiert. Artikel werden in einem Strukturarray gespeichert. Jeder Artikel enthält zwei Strukturen mit Metadaten und wissenschaftlichen Daten. Metadaten enthalten Dateneinträge wie Titel und Autoren von Artikeln. Wissenschaftliche Daten speichern ein strukturiertes Array von Ermüdungsdatensätzen. Jeder Datensatz wird aus experimentellen Tests unter verschiedenen Bedingungen gewonnen. Ein Ermüdungsdatensatz enthält 5 Strukturen (Ermüdung, Materialien, Verarbeitung, Prüfung und mechanische Eigenschaften), die in Tabelle 4 definiert sind, und es wird ein Bewertungswert definiert, um die Qualität der Daten zu messen. Die Verarbeitungsparameter sind als Strukturarray „proc_para“ organisiert und der Inhalt jeder Struktur hängt von der Art der Materialverarbeitung ab. Die Abarbeitungsreihenfolge wird im Array „proc_seq“ mit dem Index in „proc_para“ aufgezeichnet. Für Oberflächenbehandlungen werden „surf_para“ und „surf_seq“ auf die gleiche Weise definiert wie Verarbeitungsparameter und -reihenfolge. Weitere Informationen zu den Probenoberflächen wie Oberflächenrauheit, Eigenspannung und Oberflächendefekte sind in der aktuellen Datenbank nicht enthalten, da nicht viele der veröffentlichten Daten diese Informationen enthalten, was die Notwendigkeit von Standards für die Berichterstattung über die Ermüdungsleistung zeigt. Die Informationen können jedoch in Zukunft über die API zur Datenbank hinzugefügt werden.
Die Terminologie der Datentypen wird größtenteils von MATLAB (der MAT-Datei) übernommen. Ausnahmen bilden String-Arrays und Struktur-Arrays von Verarbeitungsparametern und Oberflächenbehandlungen, die Zell-Arrays in der MAT-Datei entsprechen. Für die JSON-Datei wird die Struktur als Wörterbuch definiert und alle Arten von Arrays werden als Listen definiert. Die Datenbank wird außerdem in eine EXCEL-Datei komprimiert, einschließlich 4 Arbeitsblättern. Die Arbeitsblätter „S-N“, „e-N“ und „dadn“ speichern SN-, ε-N- bzw. da/dN-ΔK-Daten. In diesen drei Arbeitsblättern speichert jede Zeile den Index eines Ermüdungsdatensatzes und einen Datendeskriptor (S/ε, N und das Auslaufkennzeichen für „S-N“/„e-N“, da/dN und ΔK für 'Papa'). Die nach Farben extrahierten da/dN-ΔK-Daten speichern alle übereinstimmenden Pixel. Die Anzahl der Datenpunkte überschreitet die von EXCEL maximal zulässige Anzahl von Zeilen (1.048.576). Dadurch werden aus jedem Datensatz 500 Datenpunkte einheitlich abgetastet und dann aufgezeichnet. Im 4. Arbeitsblatt „Parameter“ speichert jede Zeile den Index eines Ermüdungsdatensatzes und dessen Inhalt. Jede Spalte entspricht einem Dateneintrag. Die Daten im Arbeitsblatt „Parameter“ sind über den Index der Ermüdungsdatensätze mit den anderen drei verknüpft.
Mit den oben skizzierten Strukturen der Datensätze werden hier die Dateneingaben näher erläutert. Das Array „Ermüdungsdaten“ speichert N oder ΔK in der ersten Spalte und die Werte von σa, εa oder da/dN in der zweiten Spalte. εa steht für die Amplitude der Gesamtdehnung einschließlich der elastischen bzw. plastischen Anteile. In der dritten Spalte wird das Run-out-Flag für SN- und ε-N-Daten gespeichert, wobei „1“ bedeutet, dass der Test vor dem Ausfall (Run-out) stoppt und „0“ einen Fehler anzeigt. Die Größe des kritischen Querschnitts speichert den Durchmesser für Proben mit kreisförmigem Querschnitt, den Außen- und Innendurchmesser für Proben mit ringförmigem Querschnitt und die Breite und Dicke für diese rechteckigen Querschnitte. Die Größe der Barren wird auf die gleiche Weise definiert, wobei die Längsgröße hinzugefügt wird. Die Formen werden in der Beschreibung von Proben ('spec_desc') und Ingots ('ingot_desc') gespeichert. Die Spannungskonzentrationsfaktoren (Kt) der Proben werden aufgezeichnet, und die Spannung in den „Ermüdungsdaten“ ist die Nennspannung ohne Multiplikation des Kt. In den numerischen Arrays anderer Dateneinträge steht ein einzelner Wert für einen bestimmten Wert oder den Mittelwert und zwei Werte für die Unter- bzw. Obergrenze. Um den Vergleich zwischen den String-Daten zu erleichtern, wird eine einheitliche Nomenklatur für Dateneingaben wie Verarbeitungsarten, Materialien, Maschinen, Zugehörigkeiten und Förderstellen verwendet.
In unserer Datenbank werden Dateneinträge, die nicht explizit gemeldet werden, als leere Arrays (MAT), Listen (JSON), Zeichenfolgen (MAT und JSON) oder Zellen (EXCEL) aufgezeichnet. Wir gehen davon aus, dass die Prüfung einachsig ist und in einer Umgebungsumgebung (25 °C, Luft) mit Kt = 1 durchgeführt wird, sofern nicht anders angegeben. Die Standardlaststeuerung ist „Kraft“ für SN, „Dehnung“ für ε-N, „Last“ für da/dN-ΔK. Die gesamte Ermüdungslebensdauer wird anhand von Versagenskriterien definiert, beispielsweise dem Bruch von Proben und dem Prozentsatz des Lastabfalls. Der Bruch von Proben wird als Standardwert angenommen und in der Datenbank als „Bruch“ hinzugefügt.
Zusammenfassend deckt die Datenbank 51 MG-Typen und 25 MPEA-Typen ab. Für MGs berichten 47 Artikel über 101 SN-Datensätze mit 989 Datenpunkten, 2 Artikel über 8 ε-N-Datensätze mit 63 Datenpunkten und 18 Artikel über 40 da/dN-ΔK-Datensätze (Abb. 4). Für MPEAs berichten 36 Artikel über 62 SN-Datensätze mit 503 Datenpunkten, 10 Artikel über 18 ε-N-Datensätze mit 174 Datenpunkten und 14 Artikel über 43 da/dN-ΔK-Datensätze (Abb. 4).
Repräsentative Daten. (a) Die chemische Zusammensetzung von metallischen Gläsern (MGs) und Multi-Hauptelement-Legierungen (MPEAs) wird in dem Raum dargestellt, der durch ihre 1. und 2. Hauptkomponente aufgespannt wird. Beachten Sie, dass die chemische Formel in der Anmerkung die Vereinigung der Hauptelemente für die durch Ellipsen gruppierten Legierungen ist. Repräsentative SN-Daten von (b) MGs und (c) MPEAs beim Spannungsverhältnis von R = 0,1. Repräsentative (d) ε-N- und (e) da/dN-ΔK-Daten von MGs und MPEAs für alle R. (f) Vergleich zwischen Anpassungsparametern der extrahierten SN-Daten und denen in den Quellpublikationen.
Die Leistungskennzahlen der Abbildungs-, Tabellen- und Textverarbeitung zeigen, dass die F1-Werte der automatisierten Extraktion bei 60–90 % liegen (Tabelle 2). Obwohl automatisierte Extraktionsmethoden weiter verbessert werden können, ist die Erstellung hochwertiger Datenbanken immer noch eine Herausforderung. Da eine Ermüdungsdatenbank für die Entwicklung von MGs und MPEAs aus fortschrittlichen Legierungen von entscheidender Bedeutung und dringend ist, werden alle Datensätze manuell überprüft und korrigiert, um die Qualität der Datenbank in dieser Arbeit sicherzustellen. Die anschließende Prüfung von 50 zufällig ausgewählten Artikeln ergab eine Verbesserung der Präzision auf >98 %. Wir berücksichtigen 61/65 Datensätze der aktuellen Sammlung von HEA-Ermüdungsdaten38. Es sind 4 Datensätze nicht enthalten, da die Daten nicht im Standard-SN-Format gemeldet werden oder die Artikel nicht in den WoS-Datensätzen enthalten sind. Diese beiden Datenbanken können zur gegenseitigen Überprüfung der gemeinsamen Datensätze verwendet werden, was die Glaubwürdigkeit offener Daten für die Endbenutzer erhöhen kann. Wir stellen fest, dass sowohl die Inhalte als auch die Formate literaturbasierter Datenbanken aufgrund der unterschiedlichen Perspektiven, Anforderungen und Erfahrungen der Forscher unterschiedlich und komplementär sein können. Richtlinien und Standards können bei der Zusammenführung dieser Datenbanken helfen. Im Vergleich dazu sind in unserer Datenbank mehr Parameter in den Metadaten enthalten (z. B. Zugehörigkeiten, Länder, Finanzierungsquellen, DOIs), Oberflächenbedingungen und Verarbeitungstechniken (z. B. Dickenreduzierung beim Walzen, Arten der Abkühlung, Zeiten des Umschmelzens), die freigegeben werden in flexibleren und organisierteren hierarchischen Formaten (JSON und MAT) zusätzlich zum begleitenden EXCEL-Dokument. Die Datensätze zur Korngröße werden gemäß Referenz zu unserer Datenbank hinzugefügt. 38.
Die Datenbank kann nach Domänenwissen untersucht werden. Der Reichtum und die Organisation unserer Datenbank ermöglichen es uns, die CPMP-Beziehung zu untersuchen. Die chemische Zusammensetzung jedes einzelnen Materials ist in einem Vektor angeordnet. Alle Zusammensetzungsvektoren werden mittels Hauptkomponentenanalyse (PCA)75 analysiert und entsprechend der 1. und 2. Hauptkomponente in Abb. 4a visualisiert. Die Ausreißer der chemischen Zusammensetzung werden überprüft, um Fehler bei der Datenextraktion zu vermeiden. Legierungen werden dann nach ihren Hauptelementen mit einer Zusammensetzung >10 % gruppiert. Abbildung 4a zeigt, dass MGs und MPEAs im Kompositionsraum Cluster bilden. Die Hauptelemente einer bestimmten MPEA umfassen normalerweise die gleichen Strukturen auf atomarer Ebene, wie Co, Cr, Fe, Mn und Ni für FCC oder Ti, Zr, Nb, Hf und Ta für BCC. Das Hinzufügen von Elementen mit deutlich unterschiedlichen Strukturen auf atomarer Ebene kann zu Ausfällungen führen76. Andererseits können MGs Metall- und Halbleiterelemente mit anderen Strukturen auf atomarer Ebene als ihre eigenen Kristallphasen enthalten, was die Bildung amorpher Strukturen fördert. In der Literatur beschriebene MPEAs decken einen engeren Zusammensetzungsraum ab als MGs, was auf die Schwierigkeiten bei der Gewinnung einzelner Phasen fester Lösungen mit mehreren Hauptelementen und die relativ kürzere Forschungs- und Entwicklungsgeschichte von MPEAs zurückzuführen sein könnte. Die Anzahl der Hauptelemente beträgt im Allgemeinen n ≤ 3 für MGs und ≥3 für MPEAs. MGs mit hoher Entropie (n > 3) werden ebenfalls untersucht und einige von ihnen weisen eine ähnliche chemische Zusammensetzung wie die MPEAs77 auf.
Anschließend werden für die Legierungsgruppen werkstoffspezifische Eigenschaften (z. B. Ermüdungsverhalten, Glasübergangstemperatur Tg, mechanische Eigenschaften) untersucht. Ermüdungsdaten werden aufgezeichnet, um ihre Korrelationen zu untersuchen, die für die SN- und ε-N-Daten negativ und für die da/dN-ΔK-Daten positiv sind (Abb. 4b–e). Ausreißer der Ermüdungsdaten aufgrund von Fehlern in der Datenverarbeitung werden für jede Materialgruppe visuell untersucht und anschließend in IMEX korrigiert. Repräsentative SN-Daten von MGs sind in Abb. 4b dargestellt, die unter einem Spannungsverhältnis (R) von 0,1 getestet wurden. Die Zug-Zug-Belastung R = 0,1 wird für 68 % der MG-Daten verwendet, um ein Knicken von MG-Proben mit kleinen Durchmessern und großen Aspektverhältnissen zu vermeiden, die in diesen Studien häufig verwendet werden. R = 0,1 wird auch bei 3- oder 4-Punkt-Biegeermüdungsversuchen bevorzugt. ZrCu-basierte MGs dominieren in der Datenbank aufgrund ihrer guten Glasbildungsfähigkeiten (GFA), die als Produkte von Vitreloy und LiquidMetal78 kommerziell erhältlich sind. Bei MGs auf CuZr-Basis, bei denen die Zusammensetzung von Cu höher als die von Zr ist, ist die Ermüdungsleistung geringer. Diese Abhängigkeit von der chemischen Zusammensetzung kann auf den Unterschied in der atomaren Packungsdichte79 zurückgeführt werden. Zum Vergleich sind auch repräsentative SN-Daten für MPEAs, gemessen bei R = 0,1, zusammengefasst (Abb. 4c). Die meisten Daten werden für FCC-MPEAs mit den Hauptelementen Co, Fe, Ni, Cr und Mn gemeldet. Die Ermüdungsleistung von BCC-MPEAs (TiZrNbHfTa) ist höher als die von FCC-MPEAs, was aufgrund der Strukturen auf atomarer Ebene mit dem Verständnis herkömmlicher Legierungen übereinstimmt15,80,81. Die FS von MGs und MPEAs, gemessen unter HCF-Bedingung (104–107 Zyklen), verteilen sich in einem ähnlichen Bereich zwischen 100 und 600 MPa. Die MPEAs zeigen eine höhere LCF-Leistung (<104 Zyklen) und eine bessere Duktilität als die MGs (Abb. 4d). Die FCGRs von MGs sind im Allgemeinen höher als die von MPEAs, was den Unterschied in der Sprödigkeit zeigt (Abb. 4e). Für die Datenverarbeitung ist zu beachten, dass die da/dN-ΔK-Daten das Regime nahe der Schwelle, das Paris-Regime und das instabile Wachstumsregime umfassen könnten (Abb. 4e). Der Schwellenwert für das Ermüdungsrisswachstum und die Bruchzähigkeit sind in der Datenbank als Referenz für das Ermüdungsrisswachstumsverhalten enthalten. Zur weiteren Validierung werden die aus den extrahierten Daten erhaltenen Anpassungsparameter mit denen in den Quellpublikationen verglichen, die eine gute Konsistenz aufweisen (Abb. 4f). Die vernachlässigbaren Fehler der Anpassungsparameter können durch die Verzerrung von Datensymbolen in den pixelierten Figuren verursacht werden. Aufgrund der relativ niedrigen TRL der Herstellungstechniken für MGs und MPEAs können Unvollkommenheiten wie Defekte in den untersuchten Materialien vorhanden sein, was zu einer starken Streuung der gemeldeten Daten führen kann. Die Abweichung von der Anpassung der Ermüdungsdaten unter Verwendung vorhandener Lebensdauermodelle kann den Benutzern helfen, die Datensätze mit großer Streuung zu identifizieren, und detaillierte Informationen können durch Verweis auf die Quellveröffentlichungen gefunden werden.
Neben der chemischen Zusammensetzung und dem Ermüdungsverhalten werden auch andere Daten untersucht, darunter Informationen zu Materialien, Verarbeitungs- und Testbedingungen sowie mechanischen Eigenschaften, die ebenfalls für das Verständnis des CPMP-Zusammenhangs wertvoll sind. Materialspezifische Eigenschaften werden Material für Material untersucht, wie z. B. die Glasübergangstemperatur (Tg), die Korngröße (ϕ), die Barrengröße und die mechanischen Eigenschaften. Die Tg liegt zwischen 91 und 480 °C (Abb. 5a), was einen starken Zusammenhang mit der Art der Materialien zeigt. Beispielsweise beträgt der Tg-Wert ~90 °C für Ca-basierte MGs82, ~200 °C für Al-basierte MGs83 und ~400 °C für Zr-basierte MGs84. Die Korngröße von HEAs liegt hauptsächlich im Bereich zwischen 1 und 100 μm (Abb. 5b), was eine stärkere Abhängigkeit von den Verarbeitungsbedingungen als von der Materialart zeigt. Proben mit Körnern im Submikronbereich wurden im Allgemeinen speziellen Prozessen wie dem Equal Channel Angular Pressing (ECAP) oder dem Friction Stir Processing (FSP) unterzogen, wohingegen Proben mit Körnern größer 100 μm in der Regel das Ergebnis einer Hochtemperatur-Wärmebehandlung sind. Neben Mikrostrukturen ist auch die Größe von Bauteilen aus diesen Materialien für die Anwendung wichtig. Der äquivalente Durchmesser von Barren wird aus der Querschnittsfläche \({d}_{{\rm{e}}{\rm{q}}}=2\sqrt{{\rm{a}}{ berechnet. \rm{r}}{\rm{e}}{\rm{a}}/\pi }\). Wie in Abb. 5c dargestellt, können für MPEAs große Barren hergestellt werden, die hohe Abkühlrate schränkt jedoch die Größe der MGs ein. Die Senkung der kritischen Abkühlrate zur Herstellung von Massen-MGs (BMGs) ist eines der aktiven Forschungsthemen. Die meisten MGs weisen aufgrund ihrer glasigen Beschaffenheit UTS von mehr als 1.500 MPa auf, während die UTS der meisten HEAs unter 1.000 MPa liegen (Abb. 5d). Für Daten wie die Spannungsverhältnisse, die nicht mit Materialien zusammenhängen, sind deren Statistiken in Abb. 5e zusammengefasst. Die meisten Tests wurden unter symmetrischer Zug-Druck-Belastung mit R = −1 (76/272) oder Zug-Zug-Belastung mit R = 0,1 (151/272) durchgeführt. Bei FCG-Tests werden üblicherweise andere Spannungsverhältnisse angewendet. Für Daten, die in Form von Zeichenfolgen gemeldet werden, werden deren Statistiken zur manuellen Prüfung in der Tabelle zusammengefasst. Für Bedingungen, bei denen die Abfolge der thermomechanischen Verarbeitung relevant ist, werden aufeinanderfolgende Schritte gepaart und untersucht, um ihre Statistiken zu erhalten. Bei MPEAs als Beispiel (Abb. 5f) beginnt die Verarbeitung normalerweise mit dem Vakuuminduktionsschmelzen (VIM) oder Lichtbogenschmelzen und endet mit der Wärmebehandlung. Techniken wie Walzen und Rundkneten können für MPEAs angewendet werden, normalerweise jedoch nicht für MGs, da eine Kristallisation induziert werden kann. Die aufgezeichneten Daten stimmen mit dem Domänenwissen überein und können zur Aufklärung der Korrelation zwischen ihnen verwendet werden.
Statistik der Materialparameter. Das Histogramm von (a) Glasübergangstemperaturen (Tg) für MGs, (b) Korngrößen (ϕ) für MPEAs, (c) äquivalenten Durchmessern (deq) von Barren, (d) Zugfestigkeiten (UTS) und (e) Spannungsverhältnisse (R) für MGs und MPEAs. (f) Die zehn wichtigsten gepaarten Schritte der thermomechanischen Verarbeitungssequenzen für MPEAs. Die Abkürzungen sind ST: Beginn der Verarbeitung, VIM: Vakuum-Induktionsschmelzen, AMLT: Lichtbogenschmelzen, RMLT: Umschmelzen, HR: Warmwalzen, CR: Kaltwalzen, RS: Rundkneten, HT: Wärmebehandlung, WQ: Wasserabschreckung und ED: das Ende der Verarbeitung.
Unvollständige Datenberichte in der Literatur aufgrund fehlender Normen sind häufig, was zu Schwierigkeiten beim Data Mining führt und die Glaubwürdigkeit oder Wiederverwendbarkeit von Daten verringert. Um die Qualität der gemeldeten Daten zu bewerten, wird ein Bewertungswert (0-1) als gewichtete Summierung nicht leerer Einträge für jeden Datensatz43 berechnet. Der Einfachheit halber gehen wir von der gleichen Gewichtung aller Einträge aus. Wir stellen fest, dass die meisten Datensätze mit Werten zwischen 0,6 und 0,95 bewertet werden, da nicht alle Dateneinträge dokumentiert sind. Die Bewertungswerte von MGs und MPEAs ähneln denen der AM-Legierungen43 und liegen unter denen autorisierter Datenbanken für konventionelle Legierungen. Standards für die Berichterstattung über Daten in Zeitschriften, Konferenzberichten und technischen Berichten sollten entwickelt werden, um die Qualität von Datenbanken, die aus Literatur erstellt werden, weiter zu verbessern.
In Experimenten werden Materialeigenschaften wie FS85, Ermüdungsgrenze (FL)86 und Glasübergangstemperatur87 aus den Rohdaten abgeleitet und durch die Nachbearbeitungstechniken der Datenfilterung und -anpassung beeinflusst. Daher ist es wichtig, sowohl die Rohdaten als auch die abgeleiteten Werte in der Datenbank zu erfassen. In der Industrie sind die FS bei N Belastungszyklen und die Ermüdungsgrenze (FL) von Interesse und werden normalerweise aus den diskreten SN-Daten abgeleitet. Allerdings ist FL in der Praxis nicht genau definiert88,89, was vom in den Tests gewählten Auslaufzyklus unter Berücksichtigung der Versuchsdauer und des Budgets abhängt. Die Treppenmethode90 wird üblicherweise zur Bestimmung des FL verwendet, erfordert jedoch viele Proben und Tests, was teuer ist und bei Ermüdungstests neuer Materialien selten angewendet wird. Der in der Literatur angegebene FL wird normalerweise aus SN-Kurven beim Auslaufzyklus oder dem Wert der Auslaufdaten berechnet. Die Werte von FL variieren daher je nach Definition und Anpassungsverfahren für bestimmte SN-Datensätze. Das Problem betrifft auch FS. Ein direkter Vergleich der in den Artikeln angegebenen FL oder FS könnte daher ungenau sein. Um dieses Problem zu beheben, stellen wir ein MATLAB-Skript (cal_property.m) zur Verfügung, um ihre Werte aus den SN-Daten zu berechnen. Es werden Linear- und Stromeryer-Modelle91 entwickelt, und die Rundlaufdaten können wahlweise einbezogen werden oder nicht43. Am Beispiel des linearen Modells ohne Rundlaufdaten sind die FSs von MGs, MPEAs und AM-Legierungen bei 106 Zyklen (R = −1 und 0,1) in Abb. 6 zusammengefasst. Die Ergebnisse zeigen, dass die FSs von MGs und Die MPEAs sind höher als die von AM 316 L und AlSi10Mg und vergleichbar mit denen von AM Ti-6Al-4V und IN718. MGs und MPEAs haben angesichts ihres viel größeren Spielraums für Materialdesign immer noch großes Potenzial. Darüber hinaus sind die YS- und UTS-Werte von MGs in der Regel viel höher als bei herkömmlichen und AM-Legierungen. MPEAs zeigen eine vergleichbare UTS wie herkömmliche und AM-Legierungen, jedoch eine verbesserte Duktilität17,92. Werte mechanischer Eigenschaften wie Festigkeit (YS, UTS) und Bruchdehnung werden in der aktuellen Datenbank erfasst, sofern sie in der von uns gesammelten ermüdungsbezogenen Literatur verfügbar sind, die für weitere Informationen mit in anderen Datenbanken veröffentlichten Aufzeichnungen38,93 integriert werden kann vollständiges Bild der Festigkeit-Duktilitäts-Beziehung.
Aus den SN-Daten abgeleitete Ermüdungsfestigkeiten. Die Ermüdungsfestigkeit (FS) bei 106 Zyklen, σf, wird aus SN-Datensätzen für metallische Gläser (MGs), Multi-Hauptelement-Legierungen (MPEAs) und additiv gefertigte (AMed) Legierungen unter dem Spannungsverhältnis R = −1 (a) und berechnet 0,1 (b). Für Ti-6Al-4V und IN718 werden MMPDS-Daten als Referenz hinzugefügt. 86.
Der Zugriff über APIs ist für den Entwurf wiederverwendbarer Datenbanken mit hoher Wiedergabetreue von entscheidender Bedeutung. Benutzer können beispielsweise das Skript (cal_property.m) verwenden, um Datensätze von Materialeigenschaften zu extrahieren, die von Nachbearbeitungstechniken wie FS abhängen. Zum Hinzufügen von Dateneinträgen wie Dichten, Zähigkeit und Härte wird ein Vorlagenskript (add_entry.m) bereitgestellt. Nach der Veröffentlichung unserer Datenbank veröffentlichte Daten können in die einheitliche Sprache der Ermüdungsdaten (ULFD)43 formatiert und mithilfe des Skripts (import_ulfd.m) direkt importiert werden. Für die Datensatzbewertung stellen wir den Benutzern ein Skript (cal_rate_score.m) zur Verfügung, mit dem sie die Gewichtung jedes Dateneintrags definieren können.
Die FatigueData-CMA2022-Datenbank und die zugehörigen APIs legen den Grundstein für die Erforschung ermüdungsbeständiger MGs und MPEAs in ihrem recht komplexen Designbereich. Der automatisierte Arbeitsablauf wurde gegenüber unserer vorherigen Arbeit43 verbessert, insbesondere in Bezug auf die Figurensegmentierung, die Figurenklassifizierung und die Textdatenextraktion. Unsere Ergebnisse zeigen auch die Leistungsfähigkeit von LLMs wie GPT beim Aufbau von Datenbanken in den Materialwissenschaften und können zukünftige Studien zur Feinabstimmung von LLMs oder zur Entwicklung alternativer Techniken des maschinellen Lernens leiten, um die CPMP-Beziehung komplexer Metalllegierungen zu verstehen.
Die zum Extrahieren von Informationen aus Abbildungen, Tabellen und Texten verwendeten Skripte basieren hauptsächlich auf Open-Source-Codes und -Modellen, darunter ResNet64, Table Extractor65 und Simple Transformers. Die internen Skripte zur Datenextraktion und -analyse werden im GitHub-Repository öffentlich veröffentlicht (https://github.com/xuzpgroup/ZianZhang/tree/main/FatigueData-CMA2022 und https://github.com/xuzpgroup/ZianZhang/ tree/main/FatigueData-AM2022), das unter Beachtung des aktuellen Artikels und unter der MIT-Lizenz verwendet werden kann. Diese Skripte enthalten eine detaillierte Schritt-für-Schritt-Anleitung für die Verwendung der mit diesem Artikel veröffentlichten Datenbank.
Spencer, P. Eine kurze Geschichte von CALPHAD. Calphad 32, 1–8 (2008).
Artikel CAS Google Scholar
Rappaz, M. & Dantzig, JA Solidification (EPFL Press, 2009).
Sluiter, MH, Colinet, C. & Pasturel, A. Ab-initio-Berechnung der Phasenstabilität in Au-Pd- und Ag-Pt-Legierungen. Physical Review B 73, 174204 (2006).
Artikel ADS Google Scholar
Steinbach, I. Phasenfeldmodelle in der Materialwissenschaft. Modell. Simul. Mater. Wissenschaft. Ing. 17, 073001 (2009).
Reed, RC The Superalloys: Fundamentals and Applications (Cambridge University Press, 2008).
Meyers, MA & Chawla, KK Mechanical Behavior of Materials (Cambridge University Press, 2008).
Kumar, P., Kabra, S. & Cole, JM Automatische Generierung von Datenbanken für Streckgrenze und Korngröße mit ChemDataExtractor. Wissenschaft. Daten 9, 292 (2022).
Artikel CAS PubMed Central Google Scholar
Naik, SN & Walley, SM Die Hall-Petch- und inversen Hall-Petch-Beziehungen und die Härte nanokristalliner Metalle. J. Mater. Wissenschaft. 55, 2661–2681 (2020).
Artikel CAS ADS Google Scholar
Klement, W., Willens, R. & Duwez, P. Nichtkristalline Struktur in erstarrten Gold-Silizium-Legierungen. Natur 187, 869–870 (1960).
Artikel CAS ADS Google Scholar
Ja, J.-W. et al. Nanostrukturierte Hochentropielegierungen mit mehreren Hauptelementen: Neuartige Konzepte und Ergebnisse für das Legierungsdesign. Adv. Ing. Mater. 6, 299–303 (2004).
Artikel CAS Google Scholar
George, EP, Raabe, D. & Ritchie, RO Hochentropielegierungen. Nat. Rev. Mater. 4, 515–534 (2019).
Artikel CAS ADS Google Scholar
Demetriou, MD et al. Ein schadenstolerantes Glas. Nat. Mater. 10, 123–128 (2011).
Artikel CAS PubMed ADS Google Scholar
Ogata, S., Li, J. & Yip, S. Ideale reine Scherfestigkeit von Aluminium und Kupfer. Wissenschaft 298, 807–811 (2002).
Artikel CAS PubMed ADS Google Scholar
Zhang, R. et al. Direkte Abbildung der Nahordnung und deren Einfluss auf die Verformung in Ti-6Al. Wissenschaft. Adv. 5, eaax2799 (2019).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Stinville, J. et al. Über die Ursprünge der Dauerfestigkeit kristalliner metallischer Werkstoffe. Wissenschaft 377, 1065–1071 (2022).
Artikel MathSciNet CAS PubMed ADS Google Scholar
Li, N., Wang, C., Monclús, M., Yang, L. & Molina-Aldareguia, J. Festlösungs- und Niederschlagsverstärkungseffekte bei Basalschlupf, Erweiterungszwillingen und Pyramidenschlupf in Mg-Zn-Legierungen. Acta Mater. 221, 117374 (2021).
Artikel CAS Google Scholar
Li, Z., Pradeep, KG, Deng, Y., Raabe, D. & Tasan, CC Metastabile Zweiphasenlegierungen mit hoher Entropie überwinden den Kompromiss zwischen Festigkeit und Duktilität. Natur 534, 227–230 (2016).
Artikel CAS PubMed ADS Google Scholar
Schuh, CA, Hufnagel, TC & Ramamurty, U. Mechanisches Verhalten amorpher Legierungen. Acta Mater. 55, 4067–4109 (2007).
Artikel CAS ADS Google Scholar
Greer, A., Cheng, Y. & Ma, E. Scherbänder in Metallgläsern. Mater. Wissenschaft. Eng., R 74, 71–132 (2013).
Artikel Google Scholar
Zhang, S., Wang, Q., Yang, R. & Dong, C. Zusammensetzungsäquivalente von rostfreien Stählen, verstanden über die Gamma-Stabilisierungseffizienz. Wissenschaft. Rep. 11, 5423 (2021).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Leyens, C. & Peters, M. Titan und Titanlegierungen: Grundlagen und Anwendungen (John Wiley & Sons, 2003).
Wen, Y. et al. Einflüsse des Mangangehalts und der Wärmebehandlung auf die mechanischen Eigenschaften ausscheidungsverfestigter Stähle. Mater. Wissenschaft. Eng., A 837, 142724 (2022).
Artikel CAS Google Scholar
Darolia, R. Duktilitäts- und Bruchzähigkeitsprobleme im Zusammenhang mit der Implementierung von NiAl für Gasturbinenanwendungen. Intermetallics 8, 1321–1327 (2000).
Artikel CAS Google Scholar
Zhao, J. & Jiang, Z. Thermomechanische Verarbeitung fortschrittlicher hochfester Stähle. Prog. Mater Sci. 94, 174–242 (2018).
Artikel CAS Google Scholar
Johannsen, D., Kyrolainen, A. & Ferreira, P. Einfluss der Glühbehandlung auf die Bildung von austenitischen rostfreien Stählen AISI 301 mit Nano-/Submikron-Korngröße. Metall. Mater. Trans. A 37, 2325–2338 (2006).
Artikel Google Scholar
Xu, W., Lui, EW, Pateras, A., Qian, M. & Brandt, M. In-situ-maßgeschneiderte Mikrostruktur in additiv gefertigtem Ti-6Al-4V für überlegene mechanische Leistung. Acta Mater. 125, 390–400 (2017).
Artikel CAS ADS Google Scholar
Ghorbanpour, S. et al. Einfluss der mikrostrukturinduzierten Anisotropie auf das Ermüdungsverhalten von funktionell abgestuftem Inconel 718, hergestellt durch additive Fertigung. Mater. Charakter. 179, 111350 (2021).
Artikel CAS Google Scholar
Zhang, T. et al. In-situ-Design einer fortschrittlichen Titanlegierung mit Konzentrationsmodulationen durch additive Fertigung. Wissenschaft 374, 478–482 (2021).
Artikel MathSciNet CAS PubMed ADS Google Scholar
Chen, Y. et al. Korrelative Synchrotron-Röntgenbildgebung und -Beugung der additiven Fertigung mit gezielter Energieabscheidung. Acta Mater. 209, 116777 (2021).
Artikel CAS Google Scholar
Cunningham, R. et al. Schlüssellochschwelle und Morphologie beim Laserschmelzen, aufgedeckt durch Ultrahochgeschwindigkeits-Röntgenbildgebung. Wissenschaft 363, 849–852 (2019).
Artikel CAS PubMed ADS Google Scholar
Wagner, A., Shollock, B. & McLean, M. Kornstrukturentwicklung bei der gerichteten Erstarrung von Superlegierungen auf Nickelbasis. Mater. Wissenschaft. Eng., A 374, 270–279 (2004).
Artikel Google Scholar
Valiev, R. Nanostrukturierung von Metallen durch starke plastische Verformung für verbesserte Eigenschaften. Nat. Mater. 3, 511–516 (2004).
Artikel CAS PubMed ADS Google Scholar
Inoue, A. Stabilisierung metallischer unterkühlter Flüssigkeiten und amorpher Massenlegierungen. Acta Mater. 48, 279–306 (2000).
Artikel CAS ADS Google Scholar
Miracle, DB & Senkov, ON Ein kritischer Überblick über Legierungen mit hoher Entropie und verwandte Konzepte. Acta Mater. 122, 448–511 (2017).
Artikel CAS ADS Google Scholar
Cahn, RW Wie wirkt sich die Fernordnung auf das Kriechen von Legierungen aus? Mater. Wissenschaft. Eng., A 324, 1–4 (2002).
Artikel Google Scholar
Pei, Z., Yin, J., Liaw, PK & Raabe, D. Auf dem Weg zum Design von Ultrahochentropie-Legierungen durch die Suche nach sechs Millionen Texten. Nat. Komm. 14, 54 (2023).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Rao, Z. et al. Durch maschinelles Lernen ermöglichte Entdeckung hochentropischer Legierungen. Wissenschaft 378, 78–85 (2022).
Artikel CAS PubMed ADS Google Scholar
Chen, S. et al. Ermüdungsdatensatz von Legierungen mit hoher Entropie. Wissenschaft. Daten 9, 381 (2022).
Artikel CAS PubMed PubMed Central Google Scholar
Fan, X. et al. Datensatz zur Bruch- und Schlagzähigkeit von Hochentropielegierungen. Wissenschaft. Daten 10, 37 (2023).
Artikel CAS PubMed PubMed Central Google Scholar
Zhang, J., Cai, C., Kim, G., Wang, Y. & Chen, W. Zusammensetzungsdesign von Hochentropielegierungen mit Deep-Sets-Learning. npj-Berechnung. Mater. 8, 89 (2022).
Artikel CAS ADS Google Scholar
Qi, J., Cheung, AM & Poon, SJ Legierungen mit hoher Entropie, gewonnen aus binären Phasendiagrammen. Wissenschaft. Rep. 9, 15501 (2019).
Artikel PubMed PubMed Central ADS Google Scholar
Yang, C. et al. Ein auf maschinellem Lernen basierendes Legierungsdesignsystem zur Erleichterung des rationalen Designs von Legierungen mit hoher Entropie und erhöhter Härte. Acta Mater. 222, 117431 (2022).
Artikel CAS Google Scholar
Zhang, Z. & Xu, Z. Ermüdungsdatenbank additiv gefertigter Legierungen. Wissenschaft. Daten 10, 249 (2023).
Artikel PubMed PubMed Central Google Scholar
Scheffler, M. et al. Faire Daten ermöglichen neue Horizonte für die Materialforschung. Natur 604, 635–642 (2022).
Artikel CAS PubMed ADS Google Scholar
Jain, A. et al. Kommentar: Das Materialprojekt: Ein Materialgenom-Ansatz zur Beschleunigung der Materialinnovation. APL Mater. 1, 011002 (2013).
Artikel ADS Google Scholar
Huan, TD et al. Ein Polymerdatensatz für eine beschleunigte Eigenschaftsvorhersage und -konstruktion. Wissenschaft. Daten 3, 160012 (2016).
Artikel CAS PubMed PubMed Central Google Scholar
Suresh, S. Materialermüdung (Cambridge University Press, 1998).
Zhang, Z. & Xu, Z. Ausfalllebensdauervorhersage für Kohlenstoffnanoröhren. J. Mech. Physik. Feststoffe 164, 104907 (2022).
Artikel MathSciNet CAS Google Scholar
Halim, Q., Mohamed, NAN, Rejab, MRM, Naim, WNWA & Ma, Q. Metallglaseigenschaften, Verarbeitungsmethode und Entwicklungsperspektive: Ein Rückblick. Int. J. Adv. Hersteller Technol. 112, 1231–1258 (2021).
Artikel Google Scholar
Tsai, M.-H. & Yeh, J.-W. Hochentropielegierungen: Eine kritische Überprüfung. Mater. Res. Lette. 2, 107–123 (2014).
Artikel Google Scholar
Savage, N. Mit hochentropischen Legierungen ein Gleichgewicht finden. Natur 595, S4–S5 (2021).
Artikel CAS ADS Google Scholar
Hofmann, DC, Hamill, L., Christiansen, E. & Nutt, S. Hochgeschwindigkeits-Aufpralltest eines mit Metallglas gefüllten Whipple-Schutzschildes. Adv. Ing. Mater. 17, 1313–1322 (2015).
Artikel CAS Google Scholar
Ghidini, T. Materialien für die Weltraumforschung und -besiedlung. Nat. Mater. 17, 846–850 (2018).
Artikel CAS PubMed ADS Google Scholar
Smith, R. Ermüdung von Eisenbahnachsen: Ein klassisches Problem neu aufgegriffen. EUR. Struktur. Integrität Soc. 26, 173–181 (2000).
Artikel Google Scholar
Findlay, S. & Harrison, N. Warum Flugzeuge ausfallen. Mater. Heute 5, 18–25 (2002).
Artikel CAS Google Scholar
Halford, GR Ermüdung und Haltbarkeit von Strukturmaterialien (ASM International, 2006).
Negaard, G. Die Geschichte des Flugzeugstrukturintegritätsprogramms (Anamet Labs Inc., 1980).
ASTM E466-07. Standardpraxis für die Durchführung eines kraftgesteuerten axialen Ermüdungstests mit konstanter Amplitude an metallischen Materialien (ASTM International, 2007).
ASTM E606/E606M-12. Standardtestmethode für dehnungskontrollierte Ermüdungstests (ASTM International, 2012).
ASTM E647-11. Standardtestmethode zur Messung der Wachstumsraten von Ermüdungsrissen (ASTM International, 2011).
Forschungskuratorium Maschinenbau (FKM). FKM-Guideline: Analytical Strength Assessment of Components in Mechanical Engineering (VDMA Verlag, 2003).
Liu, Y. et al. RoBERTa: Ein robust optimierter BERT-Pretraining-Ansatz. Vorabdruck unter https://arxiv.org/abs/1907.11692 (2019).
Kim, E. et al. Maschinell erlernte und kodifizierte Syntheseparameter von Oxidmaterialien. Wissenschaft. Daten 4, 170127 (2017).
Artikel CAS PubMed PubMed Central Google Scholar
He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning für die Bilderkennung. Tagungsband der IEEE-Konferenz zu Computer Vision und Mustererkennung, 770–778 (2016).
Jensen, Z. et al. Ein maschineller Lernansatz zur Zeolithsynthese, der durch automatische Extraktion von Literaturdaten ermöglicht wird. ACS Cent. Wissenschaft. 5, 892–899 (2019).
Artikel CAS PubMed PubMed Central Google Scholar
Zhu, M. & Cole, JM PDFDataExtractor: Ein Tool zum Lesen wissenschaftlicher Texte und zur Interpretation von Metadaten aus der gesetzten Literatur im tragbaren Dokumentformat. J. Chem. Inf. Modell. 62, 1633–1643 (2022).
Artikel CAS PubMed PubMed Central Google Scholar
Brown, T. et al. Sprachmodelle sind Wenig-Schuss-Lernende. Adv. Neuronale Inf. Verfahren. Syst. 33, 1877–1901 (2020).
Google Scholar
Dunn, A. et al. Strukturierte Informationsextraktion aus komplexen wissenschaftlichen Texten mit fein abgestimmten großen Sprachmodellen. Vorabdruck unter https://arxiv.org/abs/2212.05238 (2022).
Walker, N. et al. Extraktion strukturierter, durch Samen vermittelter Gold-Nanostäbchen-Wachstumsverfahren aus der Literatur mit GPT-3. Vorabdruck unter https://doi.org/10.48550/arXiv.2304.13846 (2023).
OpenAI. Technischer GPT-4-Bericht. Vorabdruck unter https://doi.org/10.48550/arXiv.2303.08774 (2023).
Touvron, H. et al. LLaMA: Offene und effiziente Grundsprachenmodelle. Vorabdruck unter https://doi.org/10.48550/arXiv.2302.13971 (2023).
Du, Z. et al. GLM: Allgemeines Sprachmodell-Vortraining mit autoregressiver Leerstellenauffüllung. Tagungsband der 60. Jahrestagung der Association for Computational Linguistics (Band 1: Long Papers), 320–335 (2022).
Zhang, Z. & Xu, Z. Ermüdungsdatenbank komplexer Metalllegierungen. Feigenaktie. https://doi.org/10.6084/m9.figshare.23007362 (2023).
Liu, F. et al. Erhöhung der Ermüdungsbeständigkeit durch glasbildende Metallfilme. Mater. Wissenschaft. Eng., A 468, 246–252 (2007).
Artikel Google Scholar
Abdi, H. & Williams, LJ Hauptkomponentenanalyse. Wiley Interdisziplinär. Rev. Comput. Stat. 2, 433–459 (2010).
Artikel Google Scholar
He, J. et al. Eine ausscheidungsgehärtete Hochentropielegierung mit hervorragenden Zugeigenschaften. Acta Mater. 102, 187–196 (2016).
Artikel CAS ADS Google Scholar
Chen, Y., Dai, Z.-W. & Jiang, J.-Z. Metallische Gläser mit hoher Entropie: Glasbildung, Kristallisation und Eigenschaften. J. Alloys Compd. 866, 158852 (2021).
Artikel CAS Google Scholar
Plummer, J. Wird metallisches Glas bald erwachsen? Nat. Mater. 14, 553–555 (2015).
Artikel CAS PubMed Google Scholar
Park, K.-W. et al. Elastostatisch induzierte Strukturstörung in amorphen Legierungen. Acta Mater. 56, 5440–5450 (2008).
Artikel CAS ADS Google Scholar
Ferro, A. & Montalenti, G. Zum Einfluss der Kristallstruktur auf die Form von Ermüdungskurven: Der Fall von Eisen-Nickel-Legierungen. Philos. Mag. 10, 1043–1052 (1964).
Artikel CAS ADS Google Scholar
Ferro, A., Mazzetti, P. & Montalenti, G. Zur Auswirkung der Kristallstruktur auf die Ermüdung: Vergleich zwischen körperzentrierten Metallen (Ta, Nb, Mo und W) und flächenzentrierten und hexagonalen Metallen. Philos. Mag. 12, 867–875 (1965).
Artikel CAS ADS Google Scholar
Wang, G., Liaw, PK, Senkov, ON, Miracle, DB & Morrison, ML Mechanisches und Ermüdungsverhalten von Ca65Mg15Zn20-Massenmetallglas. Adv. Ing. Mater. 11, 27–34 (2009).
Artikel CAS Google Scholar
Huang, C.-K. & Lewandowski, JJ Auswirkungen von Änderungen in der Chemie auf das Biegebiegeermüdungsverhalten von Bändern aus amorphen Legierungen auf Al-Basis. Metall. Mater. Trans. A 43, 2687–2696 (2012).
Artikel CAS Google Scholar
Guennec, B., Nobori, T., Kuwahara, H. & Ueno, A. Einfluss des Spannungsverhältnisses auf das Ermüdungsverhalten von Zr55Al10Ni5Cu30-Massenmetallglas, Teil I – Analyse der Ermüdungsbeständigkeit. Intermetallics 92, 72–78 (2018).
Artikel CAS Google Scholar
ASTM E739-10. Standardpraxis für die statistische Analyse linearer oder linearisierter Spannungs-Lebensdauer- (S–N) und Dehnungs-Lebensdauer- (ε–N) Ermüdungsdaten (ASTM International, 2015).
Battelle Memorial Institute. Entwicklung und Standardisierung der Eigenschaften metallischer Werkstoffe (MMPDS-17) (Battelle Memorial Institute, 2022).
ASTM E1545-22. Standardtestmethode zur Bestimmung der Glasübergangstemperatur durch thermomechanische Analyse (ASTM International, 2022).
Bathias, C. Die Ermüdungslebensdauer metallischer Werkstoffe. Ermüdungsfraktion. Ing. Mater. Struktur. 22, 559–565 (1999).
Artikel CAS Google Scholar
Wang, Q., Kawagoishi, N. & Chen, Q. Ermüdungs- und Bruchverhalten struktureller Al-Legierungen bis hin zu sehr langen Lebensdauerbereichen. Int. J. Fatigue 28, 1572–1576 (2006).
Artikel CAS MATH Google Scholar
Müller, C., Wächter, M., Masendorf, R. & Esderts, A. Genauigkeit der Ermüdungsgrenzen, geschätzt durch die Treppenmethode unter Verwendung verschiedener Bewertungstechniken. Int. J. Fatigue 100, 296–307 (2017).
Artikel Google Scholar
ISO 12107:2012(E). Metallische Werkstoffe – Ermüdungstests – statistische Planung und Analyse von Daten (Internationale Organisation für Normung, 2012).
Shi, P. et al. Verbesserte Festigkeits-Duktilitäts-Synergie in ultrafeinkörnigen eutektischen Legierungen mit hoher Entropie durch Vererbung mikrostruktureller Lamellen. Nat. Komm. 10, 489 (2019).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Borg, CK et al. Erweiterter Datensatz mechanischer Eigenschaften und beobachteter Phasen von Legierungen mit mehreren Hauptelementen. Wissenschaft. Daten 7, 430 (2020).
Artikel CAS PubMed PubMed Central Google Scholar
Referenzen herunterladen
Diese Studie wurde von der National Natural Science Foundation of China durch die Zuschüsse 11825203, 11832010, 11921002, 52090032, 12122204 und 11872150 unterstützt.
Diese Autoren haben gleichermaßen beigetragen: Zian Zhang, Haoxuan Tang.
Labor für Angewandte Mechanik und Abteilung für Technische Mechanik, Tsinghua-Universität, Peking, 100084, China
Zian Zhang, Haoxuan Tang und Zhiping Xu
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
ZX konzipierte und überwachte die Forschung. ZZ und HT führten die Arbeiten durch. Alle Autoren beteiligten sich an der Diskussion der Ergebnisse und der Erstellung des Manuskripts.
Korrespondenz mit Zhiping Xu.
Die Autoren geben an, dass keine Interessenkonflikte bestehen.
Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.
Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.
Nachdrucke und Genehmigungen
Zhang, Z., Tang, H. & Xu, Z. Ermüdungsdatenbank komplexer Metalllegierungen. Sci Data 10, 447 (2023). https://doi.org/10.1038/s41597-023-02354-1
Zitat herunterladen
Eingegangen: 22. Mai 2023
Angenommen: 30. Juni 2023
Veröffentlicht: 12. Juli 2023
DOI: https://doi.org/10.1038/s41597-023-02354-1
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt