Die Bildung von Wasserstoffblasen in nanoskaligen Hohlräumen ist ein entscheidender Mechanismus, der der Versprödung metallischer Materialien zugrunde liegt, dessen atomistische Ursprünge jedoch unklar bleiben. Hier präsentieren wir ein genaues und übertragbares maschinell erlerntes Potenzial (MLP) für das Wolfram-Wasserstoff-Binärsystem innerhalb des Neuroevolution-Potenzial (NEP) Rahmens, das durch aktives Lernen auf umfangreichen Daten der Dichtefunktionaltheorie trainiert wurde. Das entwickelte NEP-WH-Modell reproduziert ein breites Spektrum von Gitter- und Fehlereigenschaften in Wolframsystemen sowie die Wasserstofflöslichkeit mit nahezu erster Prinzipien Genauigkeit, während es die Effizienz empirischer Potenziale beibehält. Entscheidend ist, dass es das erste MLP ist, das in der Lage ist, Wasserstofffallen und H2-Bildung in Nanovoids mit quantitativer Treue zu erfassen. Großangelegte maschinelle Lernsimulationen der molekularem Dynamik zeigen einen charakteristischen Aggregationsweg, bei dem ebene Wasserstoffcluster an 100-Ebenen in der Nähe von Hohlräumen nucleieren und wachsen, wobei hexagonal dicht gepackte Strukturen an ihren Schnittpunkten entstehen. Unter einaxialer Spannung fördern diese Aggregate die Blasenfraktur und die Entwicklung regelmäßiger 100-Risse, indem sie die Versetzungsaktivität unterdrücken und zu sprödem Bruchverhalten führen. Diese Arbeit liefert detaillierte atomistische Einblicke in die Entwicklung von Wasserstoffblasen und Bruch in Nanovoids, ermöglicht prädiktives Modellieren der strukturellen Degeneration unter extremen Bedingungen und fördert das grundlegende Verständnis von wasserstoffinduzierten Schäden in strukturellen Metallen.
Bao et al. (Thu,) haben diese Frage untersucht.