Prediction of Lattice Constant in Nickel Based Superalloy using Machine Learning

โลหะผสมพิเศษนิกเกิลถูกนำมาใช้เป็นชิ้นส่วนที่ได้รับความร้อน และแรงเสียดทานสูง เช่น เครื่องยนต์อากาศยาน แชมเบอร์การเผาไหม้ และใบพัดไอน้ำ เป็นต้น  เนื่องจากความสามารถในการคืบ (Creep) ที่อุณหภูมิสูง  โดยที่โลหะผสมพิเศษนิกเกิลมีโครงสร้างสองเฟสหลักคือ γ เป็นเนื้อพื้น โดยมี γ’ตกตะกอนอย่างเป็นระเบียบจะส่งผลต่อสมบัติดังกล่าว  อุณหภูมิที่เพิ่มสูงขึ้นส่งผลกระทบต่อการปริมาณความเครียดของเฟสทั้งสองทำให้เกิดข้อบกพร่องในโลหะผสมพิเศษ  เพื่อตรวจสอบความเครียดของเฟสทั้งสองที่อุณหภูมิต่างๆ จึงได้มีการใช้การเลี้ยวเบนของนิวตรอนจากค่า d-spacing ที่พีค (200) ซึ่งตรงใกล้เคียงกันของทั้ง γ และ γ’ ในรูปที่ 1  ซึ่งการแยกข้อมูล γ และ γ’ ให้ได้ชัดเจนต้องอาศัยเครื่องมือที่มีความละเอียดสูง  อย่างไรก็ตามเวลาที่จำกัดในการวัดเพื่อศึกษาปรากฏการณ์ในช่วงเวลาดังกล่าวทำให้ไม่สามารถได้ข้อมูลที่มีความละเอียดสูง  จึงได้มีการพัฒนาฟังก์ชัน voigt มาแยกพีคทั้งสอง (Collins, D. M., el.at., Scripta Materialia, 131, 103-107, 2017.) อย่างไรก็ตามสัญญาณรบกวน (Noise) และพื้นหลัง (Background) ใกล้ๆ พีค γ และ γ’ ทำให้เกิดข้อผิดพลาดในการหาตำแหน่งได้  ดังนั้นในโครงการนี้คณะผู้วิจัยจึงนำการเรียนรู้ของเครื่อง (Machine learning) มาช่วยในการหาตำแหน่งพีค γ และ γ’ โดยใช้โครงข่ายประสาท (Neural network, NN)

รูปที่ 1 การเลี้ยวเบนของนิวตรอนใน (Collins, D. M., el.at., Scripta Materialia, 131, 103-107, 2017.)