摘要：Fe基非晶合金因其低成本、优异的耐腐蚀性及出色的抗辐照性能，近年来受到越来越多的关注。然而，非晶合金的尺寸受限性仍然是其实现大规模工业应用的主要障碍。热喷涂技术，尤其是空气超音速火焰喷涂（HVAF），已被证明是一种有效的手段，可实现Fe基非晶合金涂层的大面积制
Fe基非晶合金因其低成本、优异的耐腐蚀性及出色的抗辐照性能，近年来受到越来越多的关注。然而，非晶合金的尺寸受限性仍然是其实现大规模工业应用的主要障碍。热喷涂技术，尤其是空气超音速火焰喷涂（HVAF），已被证明是一种有效的手段，可实现Fe基非晶合金涂层的大面积制备，从而拓展其工程应用。然而，喷涂工艺参数与关键涂层性能（如孔隙率和晶化分数等）之间复杂且非线性的关系成为优化非晶合金涂层耐腐蚀性能的主要障碍。
为克服这一挑战，哈尔滨工业大学黄永江教授团队构建了一种结合人工神经网络与先进智能算法的优化框架，用于优化HVAF工艺参数以实现涂层孔隙率与晶化分数的协同优化，制备出具有优异耐腐蚀性能的Fe40Ni7Cr17Mo12C13B9Y2非晶合金涂层。该方法不仅加深了对HVAF喷涂工艺机制的理解，亦为复杂服役环境下高性能防护涂层的定向设计提供了切实可行的理论依据与技术路径。相关论文以题为“Multi-Objective Optimization of HVAF-Sprayed Fe-Based Amorphous Alloy Coatings via Machine Learning for Superior Corrosion Resistance”刊登在腐蚀领域国际顶级期刊Corrosion Science上。第一作者为吕阳博士生。
图1. 机器学习流程图。(a) 反向传播神经网络(BPNN)，(b) 遗传算法(GA)，(c) 粒子群优化算法(PSO)，(d) 麻雀搜索算法(SSA)。
图2. 正交实验优化HVAF喷涂制备的Fe基非晶合金涂层。(a)-(i) 截面形貌；(j) X射线衍射(XRD)图谱；(k) 差示扫描量热法(DSC)曲线。
图3 Fe基非晶合金涂层的HVAF喷涂参数与孔隙率、晶化分数的关系。(a1)-(f1) 表示喷涂参数对孔隙率的影响；(a2)-(f2) 喷涂参数对晶化分数的影响。
图4. 正交实验分析结果。K值：(a) 孔隙率，(b) 晶化分数；Rr值：(c) 孔隙率，(d) 晶化分数。
图5.单因素实验制备的Fe基非晶合金涂层截面与表面形貌图。(a)和(d) 85 psi；(b)和(e) 90 psi；(c)和(f) 95 psi。
图6. 不同空气压力下Fe基非晶合金涂层的高分辨透射电子显微镜图像(HRTEM)及结构分析。HRTEM图像：(a)和(d) 85 psi，(b)和(e) 90 psi，(c)和(f) 95 psi；自相关函数计算(ACF)图像：(g) 85 psi，(h) 90 psi，(i) 95 psi。
图7. 不同孔隙率与晶化分数下Fe基非晶合金涂层极化曲线与电化学阻抗(EIS)图谱。(a)和(d) 动电位极化曲线；(b)和(e) Nyquist图；(c)和(f) Bode图。
图8. 模型预测和验证精度。孔隙：(a1) GA-BPNN训练集，(b1) GA-BPNN测试集，(c1) PSO-BPNN训练集，(d1) PSO-BPNN测试集，(e1) SSA-BPNN训练集，(f1) SSA-BPNN测试集；晶化分数：(a2) GA-BPNN训练集，(b2) GA-BPNN测试集，(c2) PSO-BPNN训练集，(d2) PSO-BPNN测试集，(e2) SSA-BPNN训练集，(f2) SSA-BPNN测试集。
图9.误差分析。孔隙率：(a1) R2，(b1) MAE，(c1) MAPE，(d1) RMSE；晶化分数：(a2) R2，(b2) MAE，(c2) MAPE，(d2) RMSE。
图10. Pareto前沿分布。
图11. 基于图10中点D参数制备的Fe基非晶合金涂层。(a) 截面形貌；(b) XRD图；(c) HRTEM与SAED图；(d) DSC曲线；(e) x射线三维形貌(3D-XRT)重构图与内部孔隙特征。
图12. Fe基非晶合金涂层与传统合金在3.5 wt% NaCl溶液中的动电位极化曲线与EIS图谱。(a) 动电位极化曲线；(b) Nyquist和(c) Bode图。
全文总结：
本研究构建遗传算法-反向传播神经网络（GA-BPNN）与非支配排序遗传算法II（NSGA-II）相结合的混合优化框架，实现了Fe基非晶合金涂层中孔隙率与晶化分数的协同优化，提升了耐腐蚀性能。主要结论如下：
(1) Fe基非晶合金涂层的孔隙率与晶化分数之间存在明显的矛盾关系。空气压力与孔隙率呈负相关，而与晶化分数呈正相关。较高的空气压力会提高局部有序化程度，促进涂层中纳米相的形成。
(2)与PSO-BPNN和SSA-BPNN模型相比，GA-BPNN模型展现出最优的预测性能。在训练阶段，该模型在孔隙率和晶化分数预测中R值分别达到了0.94和0.99；在测试阶段，模型预测精度依然保持较高，R值分别为0.96和0.99。
(3)基于NSGA-II算法，实现了Fe基非晶合金涂层孔隙率与晶化分数的协同优化。成功制备出一种高质量涂层，其孔隙率为0.66%，晶化率为1.00%，实验值与预测值的误差均控制在5%以内。
(4)优化后的Fe基非晶合金涂层相比于传统合金如316L和GH3536表现出更加优异的耐腐蚀性能。在3.5 wt% NaCl溶液中，该涂层表现出极低的钝化电流密度（Ip）1.6×10⁻⁶ A/cm²，并形成了宽达0.84 V的钝化区。
来源：小敏课堂
