Repositorio
Institucional

Onate, Angelo

New analytical parameters for B2 phase prediction as a complement to multiclass phase prediction using machine learning in multicomponent alloys: A computational approach with experimental validation

ELSEVIER SCIENCE SA

JOURNAL OF ALLOYS AND COMPOUNDS

en

Accurate phase prediction in multicomponent alloys is challenging due to the complex interactions among different microstructural phases, especially in alloys with both face-centered cubic (FCC) and body-centered cubic (BCC) structures. This challenge is further intensified by the presence of secondary intermetallic phases, such as the ordered BCC (B2) phase, which improves the mechanical properties but is difficult to distinguish from the disordered BCC phase. Current predictive models rely primarily on the valence electron concentration (VEC), which is useful but fails to effectively distinguish the B2 phase in different alloy systems. This study introduces a novel machine learning-based predictive framework, which was validated through exploratory data analysis, CALPHAD simulations, and experimental results. It incorporates three analytical descriptors for SOHEI B2 phase prediction in the FCC, BCC, and FCC+BCC systems. By integrating the atomic radius difference (delta r), valence electron concentration (VEC), and shear modulus (G), this approach enhances the accuracy of B2 phase classification in high-entropy alloys. Furthermore, a combined machine learning model integrating random forest (RF) and eXtreme Gradient Boosting (XGBoost) achieved 77 % accuracy, significantly improving FCC+BCC+IM phase prediction from 25 % to 62.5 %. The most relevant findings suggest that the FCC+B2 system remains stable for delta r > 5.23 %, the BCC+B2 system is stable for VEC > 6.4, and the FCC+BCC+B2 system is stable for G > 68.22 GPa. This work represents a significant advancement in the design of multicomponent alloys that require the SOHEI B2 phase as a reinforcement mechanism, providing a data-driven and experimentally validated approach.La predicción precisa de fases en aleaciones multicomponentes es un desafío debido a las complejas interacciones entre las diferentes fases microestructurales, especialmente en aleaciones con estructuras cúbicas centradas en las caras (FCC) y cúbicas centradas en el cuerpo (BCC). Este desafío se intensifica aún más por la presencia de fases intermetálicas secundarias, como la fase BCC ordenada (B2), que mejora las propiedades mecánicas pero es difícil de distinguir de la fase BCC desordenada. Los modelos predictivos actuales se basan principalmente en la concentración de electrones de valencia (VEC), que es útil pero no logra distinguir eficazmente la fase B2 en diferentes sistemas de aleación. Este estudio presenta un novedoso marco predictivo basado en aprendizaje automático, que fue validado mediante análisis exploratorio de datos, simulaciones CALPHAD y resultados experimentales. Incorpora tres descriptores analíticos para la predicción de la fase SOHEI B2 en los sistemas FCC, BCC y FCC+BCC. Al integrar la diferencia de radio atómico (delta r), la concentración de electrones de valencia (VEC) y el módulo de cizallamiento (G), este enfoque mejora la precisión de la clasificación de la fase B2 en aleaciones de alta entropía. Además, un modelo combinado de aprendizaje automático que integra bosques aleatorios (RF) y potenciación de gradiente extremo (XGBoost) alcanzó una precisión del 77 %, mejorando significativamente la predicción de la fase FCC+BCC+IM del 25 % al 62,5 %. Los hallazgos más relevantes sugieren que el sistema FCC+B2 permanece estable para delta r > 5,23 %, el sistema BCC+B2 es estable para VEC > 6,4, y el sistema FCC+BCC+B2 es estable para G > 68,22 GPa. Este trabajo representa un avance significativo en el diseño de aleaciones multicomponentes que requieren la fase SOHEI B2 como mecanismo de refuerzo, proporcionando un enfoque basado en datos y validado experimentalmente.

artículo original

Machine learning

Multicomponent alloys

Multiclass classification

SOHEI B2 phase stability

CALPHAD

10.1016/j.jallcom.2025.179950

pdf

HIGH ENTROPY ALLOYS

HIGH ENTROPY ALLOYS

Ingeniería de los Materiales

Ciencias de la Computación

Otras Ingenierías y Tecnologías

versión publicada

hibrida

verde

metadato

metadato

WOS:001457419500001

New analytical parameters for B2 phase prediction as a complement to multiclass phase prediction using machine learning in multicomponent alloys: A computational approach with experimental validation

artículo original

ELSEVIER SCIENCE SA

JOURNAL OF ALLOYS AND COMPOUNDS

Chemistry, Physical

Materials Science, Multidisciplinary

Metallurgy & Metallurgical Engineering

en

0925-8388

pdf