1. На главную
  2. Электронные версии
  3. Расплавы
  4. № 4, 2023

Расплавы, 2023, № 4, стр. 406-413

Молекулярно-динамическое моделирование расслоения в расплавах системы Bi–Ga

И. А. Балякин a, *, А. А. Юрьев a, Б. Р. Гельчинский a

a Институт металлургии Уральского отделения РАН
Екатеринбург, Россия

* E-mail: i.a.balyakin@gmail.com

Поступила в редакцию 19.03.2023
После доработки 02.04.2023
Принята к публикации 12.04.2023

Аннотация

В данной работе впервые методом молекулярно-динамического моделирования был рассмотрен процесс расслоения в расплавах системы Bi-Ga. Взаимодействие между атомами задавалось при помощи параметризованного по ab initio данным нейросетевого потенциала (модель DeePMD). Параметризация DeePMD-потенциала была выполнена с использованием алгоритма активного машинного обучения. В ходе молекулярно-динамического моделирования расплавы составов GaxBi100 –x где x = 0, 10, …, 90, 100 были охлаждены от 800 до 300 К. Расслоение регистрировалось по характеру изменения парциальной радиальной функции распределения для пары Ga–Bi. Установлено, что DeePMD-потенциал, в исходный тренировочный набор которого не было введено конфигураций, соответствующих расслоенному состоянию, все равно способен воспроизводить расслоение в системе Bi-Ga. При этом, концентрационный диапазон расслоения, определяемый по молекулярно-динамическому моделированию с DeePMD-потенциалом совпадает с экспериментом. Также удалось верно определить смещение максимума купола расслоения в сторону расплавов, богатых галлием. Тем не менее максимум купола расслоения определен недостаточно точно, как Ga80Bi20, вместо экспериментального Ga70Bi30. Помимо этого, определенный температурный диапазон купола расслоения шире, чем в эксперименте. Несмотря на это, использование нейросетевых потенциалов в атомистическом моделировании, как это показано в настоящей работе, может быть эффективно использовано для прогнозирования расслоения в бинарных металлических системах.

Ключевые слова: молекулярная динамика, расслоение, потенциалы машинного обучения, жидкие металлы

Список литературы

  1. Thornton D.D. The Gallium Melting-Point Standard: A Determination of the Liquid–Solid Equilibrium Temperature of Pure Gallium on the International Practical Temperature Scale of 1968 // Clin. Chem. Oxford Academic. 1977. 23. № 4. P. 719–724.

  2. Cahill J.A., Kirshenbaum A.D. The density of liquid bismuth from its melting point to its normal boiling point and an estimate of its critical constants // J. Inorg. Nucl. Chem. Pergamon. 1963. 25. № 5. P. 501–506.

  3. Xie H., Zhao H., Wang J., Chu P., Yang Z., Han C., Zhang Y. High-performance bismuth-gallium positive electrode for liquid metal battery // J. Power Sources. Elsevier. 2020. 472. P. 228634.

  4. Okamoto H. Supplemental Literature Review of Binary Phase Diagrams: Bi–Ga, Bi–Y, Ca–H, Cd–Fe, Cd–Mn, Cr–La, Ge–Ru, H–Li, Mn–Sr, Ni–Sr, Sm–Sn, and Sr–Ti // J. Phase Equilibria Diffus. Springer New York LLC. 2015. 36. № 3. P. 292–303.

  5. Taylor L., Rusack E., Zemleris V., Sklyarchuk V., Mudry S., Yakymovych A. Viscosity of Bi–Ga liquid alloys // J. Phys. Conf. Ser. IOP Publishing. 2008. 98. № 6. P. 062021.

  6. Yagodin D.A., Filippov V.V., Popel P.S., Sidorov V.E., Son L.D. Density and ultrasound velocity in Ga-Bi melts // J. Phys. Conf. Ser. IOP Publishing. 2008. 98. № 6. P. 062019.

  7. Inui M., Takeda S., Uechi T. // The Physical Society of Japan. 2013. 61. № 9. P. 3203–3208. https://doi.org/10.1143/JPSJ.61.3203

  8. Hildebrand J.H., Scott R.L. Solutions of Nonelectrolytes // Annual Reviews 4139 El Camino Way, P.O. Box 10139, Palo Alto, CA 94303-0139, USA. 2003. 1. № 1. P. 75–92. https://doi.org/10.1146/annurev.pc.01.100150.000451

  9. Mott B.W. Immiscibility in liquid metal systems // J. Mater. Sci. Kluwer Academic Publishers. 1968. 3. № 4. P. 424–435.

  10. Kohn W., Sham L.J. Self-consistent equations including exchange and correlation effects // Phys. Rev. American Physical Society. 1965. 140. № 4A. P. A1133.

  11. Mishin Y. Machine-learning interatomic potentials for materials science // Acta Mater. Pergamon. 2021. 214. P. 116980.

  12. Behler J., Parrinello M. Generalized neural-network representation of high-dimensional potential-energy surfaces // Phys. Rev. Lett. 2007. 98. № 14. P. 146401.

  13. Singraber A., Behler J., Dellago C. Library-Based LAMMPS Implementation of High-Dimensional Neural Network Potentials // J. Chem. Theory Comput. American Chemical Society. 2019. 15. № 3. P. 1827–1840.

  14. Behler J., Parrinello M. Generalized neural-network representation of high-dimensional potential-energy surfaces // Phys. Rev. Lett. American Physical Society. 2007. 98. № 14. P. 146401.

  15. Wang H., Zhang L., Han J., E.W. DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics // Comput. Phys. Commun. North-Holland. 2018. 228. P. 178–184.

  16. Balyakin I.A., Yuryev A.A., Filippov V.V., Gelchinski B.R. Viscosity of liquid gallium: Neural network potential molecular dynamics and experimental study // Comput. Mater. Sci. Elsevier. 2022. 215. P. 111802.

  17. Zhang Y., Wang H., Chen W., Zeng J., Zhang L., Wang H., E W. DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy models // Comput. Phys. Commun. Elsevier B.V. 2019. 253. P. 107206.

  18. Kresse G., Furthmüller J. Efficient iterative schemes for ab initio total-energy calculations using a plane-wave basis set // Phys. Rev. B. American Physical Society. 1996. 54. № 16. P. 11169.

  19. Thompson A.P., Aktulga H.M., Berger R., Bolintineanu D.S., Brown W.M., Crozier P.S., in ’t Veld P.J., Kohlmeyer A., Moore S.G., Nguyen T.D., Shan R., Stevens M.J., Tranchida J., Trott C., Plimpton S.J. LAMMPS – a flexible simulation tool for particle-based materials modeling at the atomic, meso, and continuum scales // Comput. Phys. Commun. North-Holland. 2022. 271. P. 108171.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Расплавы

Архивы выпусков Информация о журнале Отправить рукопись в журнал