Predicting grain boundary segregation in magnesium alloys: An atomistically informed machine learning approach

Abstract

Grain boundary (GB) segregation substantially influences the mechanical properties and performance of magnesium (Mg). Atomic-scale modeling, typically using ab-initio or semi-empirical approaches, has mainly focused on GB segregation at highly symmetric GBs in Mg alloys, often failing to capture the diversity of local atomic environments and segregation energies, resulting in inaccurate structure-property predictions. This study employs atomistic simulations and machine learning models to systematically investigate the segregation behavior of common solute elements in polycrystalline Mg at both 0 K and finite temperatures. The machine learning models accurately predict segregation thermodynamics by incorporating energetic and structural descriptors. We found that segregation energy and vibrational free energy follow skew-normal distributions, with hydrostatic stress, an indicator of excess free volume, emerging as an important factor influencing segregation tendency. The local atomic environment’s flexibility, quantified by flexibility volume, is also crucial in predicting GB segregation. Comparing the grain boundary solute concentrations calculated via the Langmuir-McLean isotherm with experimental data, we identified a pronounced segregation tendency for Nd, highlighting its potential for GB engineering in Mg alloys. This work demonstrates the powerful synergy of atomistic simulations and machine learning, paving the way for designing advanced lightweight Mg alloys with tailored properties.

Recommended citation: Xie, Atila, Guénolé, Korte-Kerzel, Al-Samman, Kerzel. "Predicting grain boundary segregation in magnesium alloys: An atomistically informed machine learning approach." Journal of Magnesium and Alloys.
Download Paper

Download Local PDF

Plain Language Summary

🇬🇧 English
Grain boundary segregation, where specific atoms gather at the interfaces between crystal grains in magnesium alloys, significantly impacts their mechanical properties. Traditional methods for studying this phenomenon are computationally intensive and often struggle to capture the full complexity of these interfaces, leading to inaccurate predictions. This research introduces a novel approach combining atomistic simulations with machine learning to predict how different elements segregate at these grain boundaries. The study systematically analyzed six common alloying elements (Nd, Ca, Y, Li, Al, and Zn) in magnesium, considering both absolute zero and finite temperatures. By developing sophisticated machine learning models, the researchers were able to accurately predict segregation behavior using key atomic and structural characteristics, identifying factors like hydrostatic stress and local atomic environment flexibility as crucial drivers.

🇸🇦 العربية
يؤثر فصل حبيبات الحدود، حيث تتجمع ذرات معينة عند الواجهات بين الحبيبات البلورية في سبائك المغنيسيوم، بشكل كبير على خصائصها الميكانيكية. تعتمد الطرق التقليدية لدراسة هذه الظاهرة على حسابات مكثفة وغالبًا ما تكافح لالتقاط التعقيد الكامل لهذه الواجهات، مما يؤدي إلى تنبؤات غير دقيقة. يقدم هذا البحث نهجًا جديدًا يجمع بين المحاكاة الذرية والتعلم الآلي للتنبؤ بكيفية فصل العناصر المختلفة عند حدود الحبيبات هذه. حللت الدراسة بشكل منهجي ستة عناصر سبائك شائعة (Nd، Ca، Y، Li، Al، و Zn) في المغنيسيوم، مع الأخذ في الاعتبار درجات الحرارة المطلقة والصفرية ودرجات الحرارة المحدودة. من خلال تطوير نماذج تعلم آلي متطورة، تمكن الباحثون من التنبؤ بدقة بسلوك الفصل باستخدام الخصائص الذرية والهيكلية الرئيسية، وتحديد عوامل مثل الإجهاد المائي ومرونة البيئة الذرية المحلية كمحركات حاسمة.

🇫🇷 Français
La ségrégation aux joints de grains, où des atomes spécifiques s'accumulent aux interfaces entre les grains cristallins dans les alliages de magnésium, a un impact significatif sur leurs propriétés mécaniques. Les méthodes traditionnelles pour étudier ce phénomène sont coûteuses en calcul et peinent souvent à capturer la complexité totale de ces interfaces, conduisant à des prédictions inexactes. Cette recherche introduit une approche novatrice combinant des simulations atomistiques avec l'apprentissage automatique pour prédire comment différents éléments se ségrègent à ces joints de grains. L'étude a analysé systématiquement six éléments d'alliage courants (Nd, Ca, Y, Li, Al et Zn) dans le magnésium, en considérant à la fois le zéro absolu et les températures finies. En développant des modèles d'apprentissage automatique sophistiqués, les chercheurs ont pu prédire avec précision le comportement de ségrégation en utilisant des caractéristiques atomiques et structurelles clés, identifiant des facteurs tels que la contrainte hydrostatique et la flexibilité de l'environnement atomique local comme moteurs cruciaux.

🇩🇪 Deutsch
Die Korngrenzensegregation, bei der sich bestimmte Atome an den Grenzflächen zwischen Kristallkörnern in Magnesiumlegierungen ansammeln, beeinflusst ihre mechanischen Eigenschaften erheblich. Traditionelle Methoden zur Untersuchung dieses Phänomens sind rechenintensiv und haben oft Schwierigkeiten, die volle Komplexität dieser Grenzflächen zu erfassen, was zu ungenauen Vorhersagen führt. Diese Forschung stellt einen neuartigen Ansatz vor, der atomistische Simulationen mit maschinellem Lernen kombiniert, um vorherzusagen, wie sich verschiedene Elemente an diesen Korngrenzen segregieren. Die Studie analysierte systematisch sechs gängige Legierungselemente (Nd, Ca, Y, Li, Al und Zn) in Magnesium, wobei sowohl absolute Null- als auch endliche Temperaturen berücksichtigt wurden. Durch die Entwicklung hochentwickelter Modelle des maschinellen Lernens konnten die Forscher das Segregationsverhalten anhand wichtiger atomarer und struktureller Merkmale genau vorhersagen und identifizierten Faktoren wie hydrostatischen Druck und die Flexibilität der lokalen atomaren Umgebung als entscheidende Treiber.