Volumen II - SAM

Congreso SAM/CONAMET 2009 Buenos Aires, 19 al 23 de Octubre de 2009
INTELIGENCIA ARTIFICIAL MEDIANTE MONTE CARLO CINETICO ATOMISTICO
EN ALECIONES DE FeCu
M.I. Pascuet (1, 2) , N. Castin (3, 4) y L. Malerba (3)
(1) CONICET, Avda. Rivadavia 1917, (1033) Buenos Aires, Argentina
(2) Ciclo Básico Común-Universidad de Buenos Aires
Avda. Cantilo s/n Ciudad Autónoma de Buenos Aires, Argentina
(3) Structural Materials Group, Nuclear Materials Science Institute,
Studiecentrum voor Kernenergie • Centre d’Etude de l’Energie Nucléaire (SCK• CEN)
Boeretang 200, (2400) Mol, Belgium
(4) Physique des Solides Irradiés et des Nanostructures (PSIN), Université Libre de Bruxelles,
Boulevard du Triomphe CP234, (1050) Brussels, Belgium.
E-mail: pascuet@cnea.gov.ar
RESUMEN
La formación de precipitados ricos en cobre es una de las principales causas de endurecimiento del acero
que compone la vasija de los reactores nucleares. Es de interés modelar la cinética de formación de dichos
precipitados, que contienen vacancias, a nivel atómico con el fin de desarrollar un modelo multiescala que
prediga el comportamiento de los componentes en servicio de un reactor nuclear. La técnica de Monte Carlo
cinético atomístico (AKMC) permite simular transformaciones de fase inducidas por radiación y fenómenos
que involucran formación de vacancias y clusters de Cu-vacancia. Esto representa un puente entre las
técnicas de dinámica molecular (DM) y Monte Carlo cinético de objetos (OKMC) ambas requeridos para
estudiar la evolución de la microestructura a escalas mesoscópicas. Para reducir los cálculos de MD se
utiliza la técnica de inteligencia artificial (AI) con un potencial interatómico apropiado. Se entrena una red
neuronal artificial (ANN) para predecir la energía de migración de vacancias en función de la
configuración atómica local (LAC). En este trabajo estudiamos la movilidad y el tiempo de vida de clusters
de Cu-vac conteniendo 4 y 5 elementos.
Palabras clave: Difusión, Fe-Cu, Monte Carlo cinético atomístico, Inteligencia artificial.
1. INTRODUCCIÓN
La principal causa de endurecimiento en los aceros de la vasija del reactor nuclear es la formación de
precipitados ricos en cobre [1]. Estos han sido detectados mediante técnicas experimentales, encontrándose
que nunca superan los 4 nm [2-5]. Hasta ahora ninguna técnica ha sido capaz de revelar la concentración de
vacancias en dichos precipitados. Por este motivo es importante desarrollar modelos físicos que describan la
cinética de los procesos microestructurales con el fin de mejorar y extender la vida útil de las centrales
nucleares existentes [6, 7].
Monte Carlo cinético de objetos (OKMC) es una técnica capaz de reproducir la evolución de la
microestructura a un nivel mesoscópico pero que requiere conocer de antemano varios parámetros,
especialmente la movilidad de todas las especies que migran en el sistema [8, 9]. Para ello es posible utilizar
la técnica de Monte Carlo cinético atomístico (AKMC), que es menos costosa que otras como dinámica
molecular y reproduce mejor los tiempos de simulación requeridos [10-16]. En este trabajo se calcularon las
propiedades de difusión y el tiempo de vida de distintos aglomerados de Cu-Vac con AKMC, parámetros de
entrada para OKMC.
La vacancia migra mediante saltos a primeros vecinos con una energía que depende de la configuración
atómica local (LAC Local Atomic Configuration). Es posible construir tablas de entrada para AKMC con las
barreras de energía de migración en función de cada una de las LAC. En una aleación dicha energía varía
dependiendo de la LAC según la cantidad de vecinos que se consideren. Dado la diferente naturaleza
química de ellos, el cálculo se torna más complicado a medida que se agregan vecinos en la configuración.
Por este motivo el tamaño de las tablas se vuelve inmanejable. En este trabajo se reemplaza el método de
tabulación de barreras energía por el método de inteligencia artificial (AI Artificial Intelligence). AI es la
1305