摘要：在现代涡轮系统中，其关键部件涡轮叶片，通常通过在镍基高温合金基体上喷涂陶瓷基热障涂层（TBC）来实现热防护。为提高涂层与基体之间的结合强度，并在高温环境中提供抗氧化性能，需在两者之间引入金属粘结层，其通过形成稳定的氧化铝层来提供防护。目前工业上广泛采用的金属粘

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

在现代涡轮系统中，其关键部件涡轮叶片，通常通过在镍基高温合金基体上喷涂陶瓷基热障涂层（TBC）来实现热防护。为提高涂层与基体之间的结合强度，并在高温环境中提供抗氧化性能，需在两者之间引入金属粘结层，其通过形成稳定的氧化铝层来提供防护。目前工业上广泛采用的金属粘结层材料是 MCrAlY 合金（M 通常为 Ni 和/或 Co）。然而，随着燃烧室温度的不断提升，开发具备优异抗氧化性能、可替代 MCrAlY 的新型材料已成为行业研究的重点方向。

来自美国西弗吉尼亚大学机械、材料与航空航天工程系的胡山山教授团队，提出了一种创新性的材料开发框架，结合先进的机器学习技术与传统热力学理论，可利用已有实验数据构建预测模型，全面提取 Ni-Co-Cr-Al-Fe 高熵合金在高温氧化环境下的行为特征。

该框架融合了机器学习算法与 CALPHAD 热力学计算方法，在复杂的 Ni-Co-Cr-Al-Fe 多元高熵成分空间中，成功筛选出若干种氧化性能优于传统 MCrAlY 的新型金属材料。值得注意的是，传统氧化机理中被广泛接受的“第三元素效应”在简单合金体系中已被充分验证，但在高熵合金这样高度复杂的成分系统中，氧化行为更加复杂和多变。该研究团队所建立的机器学习框架，恰恰在继承和融合传统氧化机理的基础上，实现了对以动力学机制为主导的复杂氧化行为的有效预测。除了开发出可根据成分精准预测氧化速率的模型，该研究还揭示了高熵合金在氧化过程中的若干关键行为机制：

在多相合金体系中，富含有益元素（如铝和铬）的各个相需保持成分均衡，避免局部元素富集或偏析，方能稳定形成致密、黏附性强、长期无剥落的氧化铝保护膜；

具有纳米晶粒结构的多相合金显著提升了整体抗氧化性能，为新一代高温结构材料的设计提供了新思路。

Figure 1 Material screening workflow. Design framework for high-temperature oxidation resistance Ni-Cr-Co-Al-Fe based high-entropy alloy.

Figure 3 Machine Learning Model Performance Parity plot of the predictive kp value versus the literature reported kp values of 7 machine learning approaches: (a) artificial neural network (ANN), (b) gradient boosting regression (GBR), (c) kernel ridge regression (KRR), (d) support vector regression (SVR), (e) gaussian process regression (GPR), (f) decision trees regression (DTR) and (g) multilayer perceptron regression (MLPR) machine learning algorithm. Blue and red plots represent train, and test set, respectively. Mean squared error (MSE), coefficient of determination (R2) and mean absolute error (MAE) are computed to estimate the prediction errors. Black dashed line is the ideal fitting line. (h) UMAP projections of predicted kp using the GBR model at 1150 °C overlay the complete Ni-Cr-Co-Al-Fe design space.

该文近期发表于npj Computational

来源：知社学术圈