Liquid-vapour phase space of refractory oxides - Thèses de l'ENS de Lyon Accéder directement au contenu
Thèse Année : 2023

Liquid-vapour phase space of refractory oxides

Espace de phase liquide-vapeur des oxydes réfractaires

Résumé

The position of the critical point determines the top of the liquid-vapor coexistence dome, and it is a physical parameter of fundamental importance in the study of high-energy shocks, including those associated with large planetary impacts. For most major planetary materials, such as oxides and silicates, the estimated position of the critical point is below 1 g/cm3 at temperatures above 5000 K. Here we compute the position of the critical point of one of the most ubiquitous materials: MgO. For this we perform first-principles Molecular Dynamics (MD) simulations. We find the critical density to be in the 0.45–0.6g/cm3 range and the critical temperature in the 6500–7000 K range. We investigate in detail the behavior of MgO in the subcritical and supercritical regimes, and we provide insight into the structure and chemical speciation. We see a change in Mg-O speciation toward lower degrees of coordination as the temperature is increased from 4000 to 10 000 K. This change in speciation is less pronounced at higher densities. We observe the liquid-gas separation in nucleating nanobubbles at densities below the liquid spinodal. The majority of the chemical species forming the incipient gas phase consists of isolated Mg and O atoms and some MgO and O2 molecules. We find that the ionization state of the atoms in the liquid phase is close to the nominal charge, but it almost vanishes close to the liquid-gas boundary and in the gas phase, which is consequently largely atomic. We perform the same analysis on CaO. As both MgO and CaO are important geological materials, and they share many physical similarities, we are interested in their degree of similarity under extreme conditions. We find a slightly lower critical temperature of between 6000 and 6500 K, with a critical density between 0.5 and 0.7 g/cm3. Structurally we find that the MgOx is slightly more skewed to higher degrees of coordination than what we see for CaOx. This difference is likely caused by the smaller Mg-O distance compared to Ca-O. The biggest difference in the vapor species between the two systems is the amount of O, which is three times more common in CaO compared to MgO. As artificial intelligence and machine learning (ML) have become the new buzz-words in most fields of research and industry, so has molecular dynamics started applying these methodologies to increase its performance. Recent developments in machine learning have exponentially increased the interest and new ML schemes seem to be published every year. In this work we apply one of the various ML potential to our previous work on MgO. Our choice of ML potential is the Gaussian Approximation Potential (GAP), which is based on Gaussian Process Regression (GPR). Training data is produced by performing static calculations on chosen MD configurations. Our new ML potential allows us to run simulations of three orders of magnitude larger within a fraction of the time it cost with first-principles MD, while keeping nearly the same level of accuracy. This enables us to study the vaporization on a more realistic scale and perform longer time-scale simulations to determine the viscosity of the liquid in the system.
La position du point critique détermine le sommet du dôme de coexistence liquide-vapeur. Il s'agit d'un paramètre physique d'une importance fondamentale dans l'étude des chocs à haute énergie, y compris ceux associés aux grands impacts planétaires. Pour la plupart des matériaux planétaires majeurs, tels que les oxydes et les silicates, la position estimée du point critique est inférieure à 1 g/cm3 à des températures supérieures à 5000 K. Nous calculons ici la position du point critique de l'un des matériaux les plus omniprésents : MgO. Pour cela, nous effectuons des simulations de dynamique moléculaire (MD) de premier principe. Nous trouvons la densité critique dans la gamme 0.45-0.6g/cm3 et la température critique dans la gamme 6500-7000 K. Nous étudions en détail le comportement du MgO dans les régimes sous-critique et supercritique, et nous fournissons un aperçu de la structure et de la spéciation chimique. Nous observons un changement dans la spéciation du MgO vers des degrés de coordination plus faibles lorsque la température augmente de 4000 à 10 000 K. Ce changement de spéciation est moins prononcé à des densités plus élevées. Nous observons la séparation liquide-gaz dans la nucléation des nano bulles à des densités inférieures à la spinodal liquide. La majorité des espèces chimiques formant la phase gazeuse naissante est constituée d'atomes de Mg et de O isolés et de quelques molécules de MgO et de O2. Nous constatons que l'état d'ionisation des atomes dans la phase liquide est proche de la charge nominale, mais qu'il disparaît presque près de la frontière liquide-gaz et dans la phase gazeuse, qui est par conséquent largement atomique. Nous effectuons la même analyse sur CaO. Comme le MgO et le CaO sont tous deux des matériaux géologiques importants, et qu'ils partagent de nombreuses similitudes physiques, nous nous intéressons à leur degré de similitude dans des conditions extrêmes. Nous trouvons une température critique légèrement inférieure, entre 6000 et 6500 K, avec une densité critique entre 0,5 et 0,7 g/cm3. Structurellement, nous constatons que le MgOx est légèrement plus orienté vers des degrés de coordination plus élevés que ce que nous voyons pour le CaOx. Cette différence est probablement due à la plus petite distance Mg-O par rapport à Ca-O. La plus grande différence dans les espèces de vapeur entre les deux systèmes est la quantité de O, qui est trois fois plus fréquente dans le CaO que dans le MgO. Comme l'intelligence artificielle et Machine Learning (ML) sont devenus les nouveaux mots à la mode dans la plupart des domaines de la recherche et de l'industrie, la dynamique moléculaire a commencé à appliquer ces méthodologies pour améliorer ses performances. Les développements récents dans l'apprentissage automatique ont augmenté de façon exponentielle l'intérêt et de nouveaux schémas d'apprentissage automatique semblent être publiés chaque année. Dans ce travail, nous appliquons l'un des différents potentiels ML à notre travail précédent sur le MgO. Notre choix de potentiel ML est le potentiel de Gaussian Approximation Potential (GAP), qui est basé sur Gaussian Process Regression (GPR). Les données d'entraînement sont produites en effectuant des calculs statiques sur des configurations MD choisies. Notre nouveau potentiel ML nous permet d'exécuter des simulations de trois ordres de grandeur plus grands en une fraction du temps qu'il en coûte avec les premiers principes MD, tout en gardant presque le même niveau de précision. Cela nous permet d'étudier la vaporisation à une échelle plus réaliste et d'effectuer des simulations à plus longue échelle de temps pour déterminer la viscosité du liquide dans le système.
Fichier principal
Vignette du fichier
BOGELS_T_2023ENSL0008_These.pdf (11.54 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04105068 , version 1 (24-05-2023)

Identifiants

  • HAL Id : tel-04105068 , version 1

Citer

Timoteüs Bögels. Liquid-vapour phase space of refractory oxides. Earth Sciences. Ecole normale supérieure de lyon - ENS LYON, 2023. English. ⟨NNT : 2023ENSL0008⟩. ⟨tel-04105068⟩
57 Consultations
21 Téléchargements

Partager

Gmail Facebook X LinkedIn More