Cyron, Christian J.Christian J.Cyron11749076490000-0001-8264-0885Chandran, AnjuAnjuChandran2026-06-262026-06-262026Technische Universtität Hamburg (2026)https://hdl.handle.net/11420/63620The lack of accurate and efficient interatomic potentials for technologically vital TiAlNb alloys has hindered their computational design and optimization for aerospace and energy applications. The thesis addresses the gap through a hierarchical investigation that begins by establishing the limitations of a conventional classical interatomic potential for the system. To address these limitations, the work then details the development and application of two state of the art machine learning interatomic potentials (ML-IAPs), the neural network-based deep potential molecular dynamics (DeePMD) and the linear regression-based moment tensor potentials (MTP), to investigate the influence of Niobium on the thermomechanical properties of TiAlNb alloys. Furthermore, the efficiency of the interatomic potential development process itself is systematically evaluated by contrasting a traditional passive learning approach with a data-efficient active learning strategy. The results demonstrate that the developed ML-IAPs achieve near-ab initio accuracy, revealing a clear trade-off between the higher fidelity of DeePMD and the greater computational and data efficiency of MTP. Critically, the active learning strategy is shown to reduce the required number of ab initio calculations by an order of magnitude without sacrificing model accuracy. Application of these potentials confirms that Nb addition enhances ductility while decreasing the strength of TiAl phases, providing a clear mechanistic link through simulated tension tests and the analysis of stacking fault energies. This research thus makes three principal contributions: it delivers a quantitative and mechanistic understanding of Niobium's influence on the thermomechanical properties of TiAl-based alloys; it provides a set of rigorously validated, high-fidelity machine learning (ML) potentials for the TiAlNb system; and it presents a detailed methodological guide for the efficient construction of such potentials via active learning. The benchmark datasets are made publicly available to accelerate the data-driven design of high-performance materials.Der Mangel an genauen und effizienten interatomaren Potentialen für technologisch relevante TiAlNb-Legierungen erschwert deren computergestützte Entwicklung für Luft- und Raumfahrt- sowie Energieanwendungen. Diese Arbeit adressiert diese Lücke durch eine hierarchische Untersuchung: Zunächst werden die Grenzen eines klassischen interatomaren Potentials aufgezeigt, anschließend werden zwei moderne Machine-Learning-Potentiale, Deep Potential Molecular Dynamics (DeePMD) und Moment Tensor Potentials (MTP), entwickelt und angewendet, um den Einfluss von Niob auf die thermomechanischen Eigenschaften von TiAlNb-Legierungen zu untersuchen. Die Ergebnisse zeigen, dass die entwickelten ML-Potentiale nahezu ab-initio-Genauigkeit erreichen. Dabei weist DeePMD eine höhere Genauigkeit auf, während MTP rechnerisch und datenbezogen effizienter ist. Zudem reduziert Active Learning die erforderliche Anzahl ab-initio-Berechnungen um etwa eine Größenordnung, ohne die Modellgenauigkeit wesentlich zu beeinträchtigen. Die Simulationen zeigen, dass Niob die Duktilität von TiAl-Phasen verbessert, gleichzeitig jedoch deren Festigkeit verringert. Dieser Zusammenhang wird durch Zugversuche und die Analyse von Stapelfehlerenergien mechanistisch erklärt. Die Arbeit liefert damit ein quantitatives Verständnis des Niob-Einflusses auf TiAl-basierte Legierungen, validierte ML-Potentiale für das TiAlNb-System sowie eine methodische Grundlage für deren effiziente Entwicklung mittels Active Learning. Die zugehörigen Benchmark-Datensätze werden öffentlich bereitgestellt, um die datengetriebene Entwicklung leistungsfähiger Werkstoffe zu unterstützen.enhttps://creativecommons.org/licenses/by/4.0/Technology::660: Chemistry; Chemical EngineeringDoctoral Thesis10.15480/882.17353Pyczak, FlorianFlorianPyczak