Integração de cálculo CALPHAD com Python para seleção de ligas multielemento para armazenagem de hidrogênio

Abstract

O desenvolvimento de ligas multielemento voltadas para o armazenamento de hidrogênio no estado sólido, por meio de hidretos metálicos, é crucial para utilizar o hidrogênio como vetor energético. Essas ligas devem apresentar uma boa proporção hidrogênio/metal, capacidades volumétricas e gravimétricas adequadas, além de uma absorção/dessorção de hidrogênio com boa termodinâmica e cinética, e estabilidade cíclica a longo prazo. Dentro dessa categoria, destacam-se as ligas monofásicas CCC e Laves_C14. Nesse contexto, o objetivo deste estudo foi selecionar composições que atendessem a esses requisitos, utilizando a ferramenta PanPython do software PANDAT™, que se baseia no método CALPHAD e integra a linguagem de programação Python, permitindo obter um grande volume de dados em pouco tempo. Foram calculadas 3003 composições distintas com os elementos Cr, Mn, Nb, Ti, V e Zr, usando a base de dados PanHEAR 2022 em 4102 segundos, das quais 2970 apresentaram resultados válidos. Dessas, 745 eram ligas monofásicas CCC e 86 eram ligas monofásicas Laves_C14. As ligas multifásicas compostas pelas fases CCC e Laves_C14 foram analisadas, e a composição de cada fase permitiu extrair mais ligas monofásicas de interesse. As composições das ligas monofásicas originais foram analisadas por meio de boxplots, o que possibilitou identificar os principais elementos presentes nelas. Além disso, o valor do parâmetro φ (um parâmetro termodinâmico adimensional usado como indicador de entropia) foi calculado para as ligas monofásicas CCC e Laves_C14, bem como para as ligas multifásicas CCC + Laves_C14, e comparado ao valor crítico de φ (20). Estudos indicam que ligas com φ acima de 20 têm tendência a formar ligas monofásicas por solução sólida. No entanto, ao analisar o gráfico de entropia configuracional em relação a φ, observa-se que essa relação pode apresentar falhas. Os resultados desse estudo abrem a perspectiva de utilizar metodologias integradas de alto rendimento, combinando CALPHAD com programas em Python, o que pode acelerar o desenvolvimento de novas ligas multicomponente.

User traduzir para o ingles ChatGPT The development of multielement alloys for solid-state hydrogen storage in the form of metal hydrides is essential for utilizing hydrogen as an energy vector. Alloys used for this application must have a good hydrogen-to-metal ratio, high volumetric and gravimetric capacities, acceptable thermodynamic and kinetic hydrogen absorption/desorption properties, and long-term cyclic stability. Within this category, monophase CCC and Laves_C14 alloys stand out. In this context, the objective of this work was to select compositions that meet the mentioned requirements by integrating the PanPython tool, present in the PANDAT™ software, which is based on the CALPHAD method, with the Python programming language, aiming to obtain a large volume of data in a short period of time. 3003 distinct compositions containing the elements Cr, Mn, Nb, Ti, V, and Zr were calculated using the PanHEAR 2022 database in 4102 seconds, of which 2970 yielded valid results, with 745 being monophase CCC alloys and 86 being monophase Laves_C14 alloys. The multiphase alloys composed of CCC and Laves_C14 phases were analyzed, and the composition of each phase allowed for the extraction of additional monophase alloys of interest. For the original monophase alloys, their compositions were analyzed using boxplots, thereby identifying the main elements composing them. Furthermore, the value of the φ parameter (an adimensional thermodynamic parameter used as an indicator of entropy) was calculated for the monophase CCC and Laves_C14 alloys, as well as the multiphase CCC + Laves_C14 alloys, and compared to the critical φ value (20). According to studies, alloys with a φ value higher than 20 tend to form monophase alloys through solid solution. However, when plotting configurational entropy against φ, it can be observed that this relationship is prone to failures. The results of this work open up the prospect of using integrated high-throughput methodologies that combine CALPHAD with Python programs, which can accelerate the development of new multicomponent alloys.