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，現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據點不足等原因，所以有必要使用多個參數來開發(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據集上進行訓練的，這些數據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據。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30萬個的數據點，并選擇15種描述參數，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分別如圖1所示。

圖1. 15個參數的權重分布圖。

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，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).訓練數據集；(b).測試數據集。

模型的整體預測精度顯示在矩陣的右下角，可以看到訓練數據集的準確率高達99.95%，而測試數據集的準確率也有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):