Segregated impurities at grain boundaries can dramatically change the mechanical behavior of metals, while the mechanism is still obscure in some cases. Here, we suggest an unified approach to investigate segregation and its effects on the mechanical properties of polycrystalline alloys using the example of 3$sp$ impurities (Mg, Al, Si, P, or S) at a special type $\Sigma 5(310)[001]$ tilt grain boundary in Cu. We show that for these impurities segregating to the grain boundary the strain contribution to the work of grain boundary decohesion is small and that the chemical contribution correlates with the electronegativity difference between Cu and the impurity. The strain contribution to the work of dislocation emission is calculated to be negative, while the chemical contribution to be always positive. Both the strain and chemical contributions to the work of dislocation emission generally become weaker with the increasing electronegativity from Mg to S. By combining these contributions together we find, in agreement with experimental observations, that a strong segregation of S can reduce the work of grain boundary separation below the work of dislocation emission, thus embrittling Cu, while such an embrittlement cannot be produced by a P segregation because it lowers the energy barrier for dislocation emission relatively more than for work separation.


翻译:谷物边界的杂质分解可显著改变金属的机械行为,而这种机制在某些情况中仍然模糊不清。在这里,我们建议采取统一办法,以3苏元杂质(Mg、Al、Si、P或S)为特类,以3美元杂质(Mg、Al、Si、P或S)为例,对聚丙烯酸合金的机械特性(Mg、Al、Si、P或S)及其对机械特性的影响进行调查,这种特类杂质为5美元(310美元)[001]美元倾斜谷物边界。我们表明,对于这些杂质与谷物边界分解工作分开的杂质而言,对谷物边界分解工作的贡献很小,化学贡献与Cu和杂质之间的电子富含性差异相关。 计算出对散散散排放工作的压力作用是负面的,而化学贡献总是是肯定的。 对松散排放工作的紧张和化学贡献通常会减弱,因为Mg至S的电离子效应日益增强。 我们与实验观测发现,如果将这些贡献结合起来,那么,S的分解分解作用会减少分解分解工作与C和分解,那么分解工作与C和分解的分解工作会减少分解工作,因此不能造成相对的分解排放工作,因此无法进行。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
26+阅读 · 2019年3月5日
A Probe into Understanding GAN and VAE models
Arxiv
9+阅读 · 2018年12月13日
Arxiv
8+阅读 · 2018年4月8日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员