揭示高熵合金的高保真相位選擇規(guī)則：結合 CALPHAD 和機器學習研究

供稿人：王林、張航 供稿單位：西安交通大學機械制造系統(tǒng)工程國家重點實驗室

近些年來，高熵合金（HEA）因其特殊的機械和物理特性而備受材料科學及相關領域的關注，如高強度、熱穩(wěn)定性、耐磨性和抗輻射能力。高熵合金的優(yōu)秀特性主要歸功于其獨特的微觀結構，因此在其微觀結構方向上，其相位選擇規(guī)則一直是高熵合金研究的關鍵問題。盡管多年來進行了廣泛的實驗和計算工作，但該規(guī)則仍然難以實現(xiàn)，現(xiàn)階段通常采用經驗方法來研究 HEA 的相位選擇規(guī)則，但由于組成空間有限和數(shù)據(jù)點不足等原因，所以有必要使用多個參數(shù)來開發(fā)準確的HEA相選規(guī)則。

近年來，機器學習 （ML） 方法發(fā)展迅速，有望借此探索高熵合金的成型過程和穩(wěn)定性。在此基礎上雖然取得了一定的成果，但仍存在一些缺點。首先，機器學習模型是在成分空間有限的數(shù)據(jù)集上進行訓練的，這些數(shù)據(jù)集一般只包含幾百個關于鑄造或鍛造成型的合金微觀結構實驗數(shù)據(jù)。其次，機器學習模型往往是一個"黑匣子"，在高熵合金設計中往往找不到簡單有效的規(guī)則。因此，對于高熵合金設計，特別需要從機器學習中獲取高保真的相位選擇規(guī)則。 基于此，2020年12月，新加坡科學科學、技術研究機構的高性能計算研究所通過相圖計算技術，生成了關于Al、Co、Cr、Cu、Fe、Mn、Ni、Ti等八種元素超過30萬個的數(shù)據(jù)點，并選擇15種描述參數(shù)，最終通過極大梯度法訓練機器學習模型，得到了五個最關鍵的參數(shù)分別如圖1所示。

圖1. 15個參數(shù)的權重分布圖。

增材制造技術在航空航天、國防、汽車和醫(yī)療植入等領域的各種應用中不斷發(fā)展。選擇性激光熔化技術（SLM）和激光金屬沉積（LMD）技術是增材制造技術中廣泛探索的兩種主要方法。但是由于“階梯效應”和粉末粘附在表面上，導致SLM和LMD成型出的金屬零件表面質量非常差，需要進一步的表面處理才能夠應用。而傳統(tǒng)的機械研磨和化學拋光有許多缺點：機械拋光難以在復雜表面上實現(xiàn)，電化學拋光是一種非選擇性過程。激光拋光作為一種新型表面處理方法具有工藝持續(xù)時間短、重復性高、無磨料等優(yōu)點，但是對于LMD成型的具有大波紋的零件表面，激光拋光的小熔區(qū)往往不能直接去除表面的波紋和大凸起。而Hong Shen提出的兩步的激光表面處理方法就可以很好地解決這個問題。

圖2. 機器學習混合矩陣的結果，(a).訓練數(shù)據(jù)集；(b).測試數(shù)據(jù)集。

模型的整體預測精度顯示在矩陣的右下角，可以看到訓練數(shù)據(jù)集的準確率高達99.95%，而測試數(shù)據(jù)集的準確率也有99.92%，這么高的準確率表明基于這五種特征的機器學習模型有很好的效果，這對指導單相FCC、BCC高熵合金的設計，尋找新型單相合金材料提供了更有效的規(guī)則和設計工具。

參考文獻：
BHANVADIA A A, FARLEY R T, NOH Y, et al. High-resolution stereolithography using a static liquid constrained interface [J]. Commun Mater, 2021, 2(1):