Investigations on grain boundary segregation with physical models and data-driven approaches

Die Anreicherung von Fremdatomen an Korngrenzen (KG) ist von großer Bedeutung im Bereich des Material-Engineerings, da man durch das Hinzufügen von kleinen Mengen bestimmter Fremdatome die Eigenschaften des Materials stark beeinflussen kann. In dieser Arbeit wird das Thema Korngrenzenanreicherung sowohl von der theoretischen als auch von der experimentellen Seite analysiert. Es wird diskutiert, wo diese beiden Methoden übereinstimmen und wo sie voneinander abweichen. Wir beginnen mit der rein physikalischen Analyse von KG-Segregation und gehen dann schrittweise in die datengetriebene Untersuchung mittels maschinellem Lernen (ML). Im ersten Teil dieser Arbeit geht es um die experimentelle und theoretische Untersuchung der Beschichtung TiBN, welche durch ihre besondere Härte und Hitzebeständigkeit Anwendung in Hochgeschwindigkeits-Schneidwerkstoffen besitzt. Jedoch ist noch nicht geklärt, wie genau B in die TiN-Phase eingebaut wird. Es wird untersucht, ob B in TiN KG anreichert und ob es TiB2 Abscheidungen in TiBN gibt. Die computerunterstützten Methoden basieren auf ab-initio Berechnungen und dem CALPHAD-Ansatz. Von der experimentellen Seite wurden zwei TiBN-Beschichtungen mittels physikalischer Gasphasenabscheidung hergestellt, welche durch eine Vielfalt spektroskopischer und mikroskopischer Messmethoden analysiert wurden,um die Phasenanteile zu bestimmen, sowie die Konzentrationsgradienten auf der Nanoskala. Durch die Untersuchung dieses komplexen Materials wird detailliert, wie Segregation experimentell und durch Simulationen bestimmt werden kann. Im zweiten Teil werden datengetriebene Aspekte in der Materialphysik anhand des FeP Systems analysiert. P-Segregation zu Fe KG ist eines der am gründlichsten untersuchten Phänomene zum Thema KG-Anreicherung. Da P ein Fe-Verspröder ist, bietet sich hierfür besonders die Untersuchung mittels Auger-Elektronenspektroskopie (AES) an. AES-KG Anreicherungsdaten aus der Literatur wurden verglichen mit Segregationsdaten, die durch die Kombination von thermodynamischen Modellen und ab-initio- oder semi-empirischen Segregationsenergien berechnet wurden. Zusätzlich wurde Bayes¿sche Inferenz verwendet, um die Parameter des thermodynamischen Modells zu optimieren, um diese mit den simulierten Segregationsdaten zu vergleichen. Im dritten Teil wird dann ein rein datengetriebener Ansatz verwendet, um KG-Anreicherung vorherzusagen. Zu diesem Zwecke wurde eine Datenbank aus experimentellen KG Anreicherungsdaten erstellt und benutzt, um vorhandene ML-Methoden zu trainieren. Die Genauigkeit verschiedener ML-Modelle wird zuerst für mehrere Elemente separat getestet. Für P in ¿¿Fe war es möglich, die Abhängigkeit der KG-Anreicherung von Faktoren wie der Wärmebehandlung und dem P-Gehalt akkurat vorherzusagen. Abschließend wurde ein universelles ML-Modell für ¿¿Fe kreiert, welches imstande ist, die KG-Anreicherung für eine Vielzahl von Elementen mit einer Genauigkeit vorherzusagen, die vergleichbar ist mit dem durchschnittlichen Messfehler der Experimente.