近日,上海交通大学机械与动力工程学院核科学与工程学院王亚飞副教授在Cell子刊Matter上发表了“Nobility vs. mobility: Insights into molten salt corrosion mechanisms of high-entropy alloys via high-throughput experiments and machine learning”研究论文,提出了通过人工智能机器学习来增强对熔盐腐蚀现象的理解和认知。王亚飞副教授为该论文的共同一作和通讯作者。
高温熔盐传热性能好、系统压力小、使用温度高、价格低、安全可靠,是性能优良的高温传热蓄热介质,在第四代核反应堆冷却剂及核燃料、反应堆乏燃料干法后处理以及太阳能储能和传热上具有广阔的应用前景和市场空间。然而,材料的腐蚀是制约这些前景应用的棘手问题。由于高温熔盐腐蚀实验数据的缺乏,熔盐中材料的腐蚀一直被简单认为是一个热力学控制的过程。王亚飞副教授通过发展一系列高通量合金材料设计、合成与腐蚀测试方法,实现了100余种不同合金材料熔盐腐蚀实验数据的积累。他基于大批量实验数据,通过耦合材料腐蚀影响因素,利用人工智能机器学习方法对实验数据的分析揭示了CrFeMnNi合金系列在熔盐中的腐蚀机制。研究发现CrFeMnNi合金系列的腐蚀受Ni在合金中扩散的控制,而非传统认知中合金的热力学稳定性。该研究是人工智能机器学习在分析科学现象背后机理上的新应用,对合金的设计也具有重要的指导作用。
高通量实验设计
熔盐中合金腐蚀受Ni扩散影响现象
研究工作得到美国能源部、国家自然科学基金委等相关研究项目的资助。论文作者还包括美国威斯康星大学麦迪逊分校Bonita Goh、Phalgun Nelaturu、Michael Moorehead、Dan Thoma、Kumar Sridharan、Adrien Couet,美国伊利诺伊大学芝加哥分校Thien Duong、Pikee Priya、Santanu Chaudhuri(阿贡国家实验室双聘)、加拿大多伦多大学Jason Hattrick-Simpers以及复旦大学张宏亮。