CN111274691A - 一种分析预测max相材料可形成能力的方法 - Google Patents

一种分析预测max相材料可形成能力的方法 Download PDF

Info

Publication number
CN111274691A
CN111274691A CN202010049400.7A CN202010049400A CN111274691A CN 111274691 A CN111274691 A CN 111274691A CN 202010049400 A CN202010049400 A CN 202010049400A CN 111274691 A CN111274691 A CN 111274691A
Authority
CN
China
Prior art keywords
max
max phase
predicting
formable
analyzing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010049400.7A
Other languages
English (en)
Inventor
丁向东
毛泽宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010049400.7A priority Critical patent/CN111274691A/zh
Publication of CN111274691A publication Critical patent/CN111274691A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本方面公开了一种分析预测MAX相材料可形成能力的方法，选取影响材料结构的特征因子，在基于选取的特征因子的前提下设计影响MAX相结构的特征模型，输入物理参数构建结构映射图谱，MAX相结构按照结构映射图中的不同区域分布，各类结构按照坐标所标定的物理参数进行分类，并以此作为预测未知MAX相的初始导向，进而可以用此预测新材料的未知结构。该方法这类方法是一种目前较为成功并无需通过实验帮助来进行结构预测的方法。且本发明提供的方法能够大大减少人工及计算资源的耗费，节约成本，为合成高性能的MAX相材料提供了理论指导。

Description

一种分析预测MAX相材料可形成能力的方法
技术领域
本发明涉及材料科学领域，具体为一种分析预测三元层状碳化物或氮化物材料可形成能力的方法，特别涉及一种分析预测MAX相材料可形成能力的方法。
背景技术
材料结构与性能之间存在着密切的联系，因此对于材料结构的研究贯穿了材料科学发展的整个历程，并将继续在材料科学的研究中占据重要的位置。现如今，对于材料结构信息的获取也是对各类材料进行建模分析的先决条件；因此，材料结构的确定是进一步对材料性能进行理解分析的关键步骤。
MAX相材料(分子式为Mn+1AXn，n＝1、2或3)是一种具有六方晶体结构的新型层状可加工类金属陶瓷材料；其中，M为前过渡族金属元素，A主要为IIIA和IVA主组元素，X为碳或氮。特殊的晶体结构使该材料兼具金属(即优良的导电和导热性、可加工性、低硬度、抗热震性和损伤容限)与陶瓷特性(即高弹性模量、高温强度和氧化和抗腐蚀性)，因此备受人们的广泛关注。迄今为止，已成功制备的MAX相约为130种；新型的MAX相也正被不断地报道和提出。
目前预测晶体结构的方法包括实验表征方法和计算建模方，：1)实验表征：该方法是确定材料结构的核心策略；然而，即使现如今高通量与自动化方法的引入，此种方法依然具有耗时与测试昂贵的特点。2)计算建模：随着高速计算机的发展，以及将多体相互作用进行简化的单电子势计算方法的发明，使通过量子力学原理来计算和预测材料结构成为可能。由此，该手段使计算机设计材料成为了可能。然而，该方法目前依然存在着一些困难：i)虽然人们对化合物中存在的原子间相互作用已经有了充分的认识，但是对固体整体能量的计算依然非常困难。这是因为单原子的能级处于106eV级别，而结合能仅处于1～10eV每原子的范围内，由此人们必须具有0.000001或更高的计算精度才可以对此作出精确的估算。ii)固体中原子、离子和电子的数目极大，因此更加大了这类计算的难度，从而使该方法在预测精确度上低于实验的观测。
发明内容
针对现有技术中晶体结构稳定性预测方法耗时长，测试成本昂贵且预测精确低的问题，本发明提供一种分析预测MAX相材料可形成能力的方法，构建二维结构映射图谱，划定提取MAX相可形成的特征域，提取能够判断MAX相可形成能力的有效判据，为搜寻新型的MAX相提供指导原则。
本发明是通过以下技术方案来实现：
一种分析预测MAX相材料可形成能力的方法，包括以下步骤：
S1、选取影响晶体结构稳定性的特征因子；
S2、基于选取的特征因子建立用于预测MAX相可形成能力的结构映射模型；
S3、基于稳定的MAX相和第一性原理计算得到的非稳定的MAX相，构建结构映射图谱；
S4、将潜在的MAX相组成元素的物理参数输入步骤S2得到的结构映射模型，结构映射模型输出数据集，将数据集在步骤S3的结构映射图谱中可视化，探索潜在可形成的MAX相材料。
优选的，步骤S1中，基于合金定律和MAX相电子结构选取特征因子。
优选的，所述特征因子包括泡利电负性差、原子尺寸差、价电子浓度以及s，p和d轨道的角度特征。
优选的，步骤2中结构映射模型如下：
Figure BDA0002370582040000031
Figure BDA0002370582040000032
其中，
Figure BDA0002370582040000033
是M位置第i个元素的共价原子半径，
Figure BDA0002370582040000034
是M位置第j个元素的共价原子半径，α和β分别代表该位置元素的化学计量比，
Figure BDA0002370582040000035
为M位置第i个元素的价电子数目,
Figure BDA0002370582040000036
为A位置上第i个元素的巡游电子数目，n为原子系数。
优选的，步骤3中所述稳定的MAX相为实验已合成的稳定MAX相。
优选的，步骤3中结构映射图谱，根据非稳定的211-MAX相和对应稳定的211-MAX相构建结构映射图谱。
优选的，步骤S3后还包括以下步骤，对结构映射图谱验证，验证方法如下：
首先，采用第一性原理计算非稳定312-MAX相和413-MAX，根据计算得到的非稳定312-MAX相和413-MAX，以及第一实验方法合成稳定的312-MAX和413-MAX相，验证结构映射图谱的准确性；
然后，采用第二实验方法合成的211-MAX相、312-MAX相和413-MAX相，验证结构映射图谱的准确性；
其中，第一实验方法合成的MAX相，M为前过渡族元素,A为A族元素的13-16族；第二实验方法合成的MAX相，A位为后过渡族元素的MAX相。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的一种分析预测MAX相材料可形成能力的方法，选取影响材料结构的特征因子，在基于选取的特征因子的前提下设计影响MAX相结构的特征模型，输入物理参数构建结构映射图谱，MAX相结构按照结构映射图中的不同区域分布，各类结构按照坐标所标定的物理参数进行分类，并以此作为预测未知MAX相的初始导向，进而可以用此预测新材料的未知结构。该方法这类方法是一种目前较为成功并无需通过实验帮助来进行结构预测的方法。且本发明提供的方法能够大大减少人工及计算资源的耗费，节约成本，为合成高性能的MAX相材料提供了理论指导。
附图说明
图1是本发明一实施例中一种预测MAX相可形成能力的方法的流程图；
图2是本发明一实施例中于步骤S3中基于S2中模型方程计算211-MAX相参数所构建的二维结构映射图；
图3是本发明一实施例中于步骤S4中基于S2中模型方程计算311、413MAX相后验证结构图的准确性；
图4是本发明一实施例中于步骤S5中计算实验已合成的新型A位为过渡族元素的211、312、413-MAX相参数验证结构映射图谱准确性；
图5是本发明一实施例中于步骤S6中计算的未来可能合成的MAX相。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参阅图1，一种分析预测MAX相材料可形成能力的方法，包括以下步骤：
步骤S1：选取影响材料结构稳定性的特征因子；
具体而言，该步骤S1中基于Hume-Rothery和Barsoum对于合金定律和MAX相电子结构的探索选取以下几种特征因子,如下表所示：
Figure BDA0002370582040000051
步骤S2：基于选取的特征因子建立用于预测MAX相可形成能力的结构映射模型。
具体而言，该步骤S2中通过选取电子浓度因素和尺寸因素来进一步建立两个特征方程分别为：
Figure BDA0002370582040000052
Figure BDA0002370582040000053
其中，
Figure BDA0002370582040000054
是M位置第i个元素的共价原子半径，
Figure BDA0002370582040000055
是M位置第j个元素的共价原子半径，α和β分别代表该位置元素的化学计量比。
Figure BDA0002370582040000056
为M位置第i个元素的价电子数目,
Figure BDA0002370582040000057
为A位置上第i个元素的巡游电子数目，n为原子系数。
其中M、A位置元素的价电子数和巡游电子数取值为下表：
Figure BDA0002370582040000058
Figure BDA0002370582040000061
*Mizutani和Sato的工作没有记录硫的巡游电子，这里硫的巡游电子值取6
该步骤S2最终所取值将用于本实例中图2、图3、图4、图5特征量的计算。
步骤S3：基于第一性原理计算非稳定的211-MAX相，根据非稳定的211-MAX相和稳定的211-MAX相构建结构映射图谱。稳定211-MAX相为实验已合成的211-MAX相。该MAX相:M为前过渡族元素,A为A族元素(13-16族)。
图2为本实施例中所选取样本经过计算后的所绘制的二维结构映射图，可以明显发现出现了左边部分合成区域和右边部分无法合成区域。
步骤S4：采用第一性原理计算得到非稳定的312-MAX和413-MAX，根据非稳定的312-MAX和413-MAX和与其对应的稳定的312-MAX和413-MAX验证结构映射图谱的准确性。
在该步骤S4中，通过对步骤S2提出的特征方程计算本实例中所选用的实验已经合成312、413-MAX相样本，由图3可以看出全部位于图2所绘制结构映射图的已合成区域。
步骤S5：采用新型实验已合成的211、312、413-MAX相验证结构映射图谱准确性。所述新型MAX相的A位为后过渡族元素的MAX相。
在该步骤S5中，通过对步骤S2提出的特征方程计算本实例中所选用的实验已经合成A位为过渡元素的211、312、413-MAX相样本，由图4可以看出基本全部位于图2所绘制结构映射图的已合成区域。
步骤S6：将潜在的MAX相组成元素的物理参数输入步骤S2得到的结构映射模型，结构映射模型输出数据集，将数据集在步骤S3的结构映射图谱中可视化，探索潜在可形成的MAX相材料。
在该步骤S6中，通过提出一系列目前尚未合成的元素组合并使用步骤S2提出的特征方程计算后，得到一组在未来能够合成的MAX相材料，为未来实验合成提供理论指导，降低实验成本。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种分析预测MAX相材料可形成能力的方法，其特征在于，包括以下步骤：
S1、选取影响晶体结构稳定性的特征因子；
S2、基于选取的特征因子建立用于预测MAX相可形成能力的结构映射模型；
S3、基于稳定的MAX相和第一性原理计算得到的非稳定的MAX相，构建结构映射图谱；
S4、将潜在的MAX相组成元素的物理参数输入步骤S2得到的结构映射模型，结构映射模型输出数据集，将数据集在步骤S3的结构映射图谱中可视化，探索潜在可形成的MAX相材料。
2.根据权利要求1所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，步骤S1中，基于合金定律和MAX相电子结构选取特征因子。
3.根据权利要求1所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，所述特征因子包括泡利电负性差、原子尺寸差、价电子浓度以及s，p和d轨道的角度特征。
4.根据权利要求1所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，步骤2中结构映射模型如下：
Figure FDA0002370582030000011
Figure FDA0002370582030000012
其中，
Figure FDA0002370582030000013
是M位置第i个元素的共价原子半径，
Figure FDA0002370582030000014
是M位置第j个元素的共价原子半径，α和β分别代表该位置元素的化学计量比，
Figure FDA0002370582030000015
为M位置第i个元素的价电子数目,
Figure FDA0002370582030000016
为A位置上第i个元素的巡游电子数目，n为原子系数。
5.根据权利要求1所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，步骤3中所述稳定的MAX相为实验已合成的稳定MAX相。
6.根据权利要求5所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，步骤3中结构映射图谱，根据非稳定的211-MAX相和对应稳定的211-MAX相构建结构映射图谱。
7.根据权利要求1所述的一种分析预测MAX相材料可形成能力的方法，其特征在于，步骤S3后还包括以下步骤，对结构映射图谱验证，验证方法如下：
首先，采用第一性原理计算非稳定312-MAX相和413-MAX，根据计算得到的非稳定312-MAX相和413-MAX，以及第一实验方法合成稳定的312-MAX和413-MAX相，验证结构映射图谱的准确性；
然后，采用第二实验方法合成的211-MAX相、312-MAX相和413-MAX相，验证结构映射图谱的准确性；
其中，第一实验方法合成的MAX相，M为前过渡族元素,A为A族元素的13-16族；第二实验方法合成的MAX相，A位为后过渡族元素的MAX相。
CN202010049400.7A 2020-01-16 2020-01-16 一种分析预测max相材料可形成能力的方法 Pending CN111274691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010049400.7A CN111274691A (zh) 2020-01-16 2020-01-16 一种分析预测max相材料可形成能力的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010049400.7A CN111274691A (zh) 2020-01-16 2020-01-16 一种分析预测max相材料可形成能力的方法

Publications (1)

Publication Number Publication Date
CN111274691A true CN111274691A (zh) 2020-06-12

Family

ID=71003492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010049400.7A Pending CN111274691A (zh) 2020-01-16 2020-01-16 一种分析预测max相材料可形成能力的方法

Country Status (1)

Country Link
CN (1) CN111274691A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108489644A (zh) * 2018-02-12 2018-09-04 华中科技大学 基于MXene/rGO复合三维结构的高灵敏传感器
CN109071456A (zh) * 2016-02-16 2018-12-21 麻省理工学院 作为myc调节剂的max结合剂及其用途
CN109992867A (zh) * 2019-03-25 2019-07-09 仰恩大学 一种立方氧化锆掺杂Y、Nb的复合材料特性研究仿真方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109071456A (zh) * 2016-02-16 2018-12-21 麻省理工学院 作为myc调节剂的max结合剂及其用途
CN108489644A (zh) * 2018-02-12 2018-09-04 华中科技大学 基于MXene/rGO复合三维结构的高灵敏传感器
CN109992867A (zh) * 2019-03-25 2019-07-09 仰恩大学 一种立方氧化锆掺杂Y、Nb的复合材料特性研究仿真方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YIMING ZHANG等: "Systematization of MAX phases formability and exploration of their new phases for future MXenes", 《MATERIALS SCIENCE》 *

Similar Documents

Publication Publication Date Title
Medasani et al. Predicting defect behavior in B2 intermetallics by merging ab initio modeling and machine learning
Rosenbrock et al. Discovering the building blocks of atomic systems using machine learning: application to grain boundaries
Xiang et al. Combinatorial materials synthesis
Homer et al. Examination of computed aluminum grain boundary structures and energies that span the 5D space of crystallographic character
Farkas Grain boundary structure in high-entropy alloys
Bereau et al. Research Update: Computational materials discovery in soft matter
Restuccia et al. Ideal adhesive and shear strengths of solid interfaces: A high throughput ab initio approach
JP7411977B2 (ja) 機械学習支援方法及び機械学習支援装置
He et al. Machine learning assisted predictions of multi-component phase diagrams and fine boundary information
Gibson et al. Data-augmentation for graph neural network learning of the relaxed energies of unrelaxed structures
CN114613456A (zh) 一种基于改进密度峰值聚类算法的高熵合金硬度预测方法
CN116312890A (zh) 粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法
Tuchinda et al. Triple junction solute segregation in Al-based polycrystals
Tan et al. Discovery of a new criterion for predicting glass-forming ability based on symbolic regression and artificial neural network
CN111274691A (zh) 一种分析预测max相材料可形成能力的方法
Jia et al. Advancing thermoelectric materials discovery through semi-supervised learning and high-throughput calculations
O’Brien et al. Misoriented grain boundaries vicinal to the (111)⟨ 11¯ 0⟩ twin in Nickel part II: thermodynamics of hydrogen segregation
CN115394381B (zh) 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置
Chu et al. A model for nonclassical nucleation of solid-solid structural phase transformations
Parida et al. Data-driven search for promising intercalating ions and layered materials for metal-ion batteries
Zeng et al. Relative effects of all chemical elements on the electrical conductivity of metal and alloys: An alternative to Norbury–Linde rule
Kong et al. Mapping the ‘materials gene’for binary intermetallic compounds—a visualization schema for crystallographic databases
Liu et al. A first-principles and machine learning combined method to investigate the interfacial friction between corrugated graphene
Park et al. Exploring the large chemical space in search of thermodynamically stable and mechanically robust MXenes via machine learning
CN114121146A (zh) 一种基于并行和蒙特卡罗策略的rna三级结构预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612