摘要：高熵合金（HEAs）通常包含5种或更多主要元素，每种元素的原子百分比在5-35%之间。这类合金因其简单的固溶体结构、优异的力学性能以及耐腐蚀和氧化的特性而受到广泛关注。在HEAs中，基于难熔过渡元素的难熔高熵合金（RHEAs）因其更高的硬度、强度、耐腐蚀性和高
高熵合金（HEAs）通常包含5种或更多主要元素，每种元素的原子百分比在5-35%之间。这类合金因其简单的固溶体结构、优异的力学性能以及耐腐蚀和氧化的特性而受到广泛关注。在HEAs中，基于难熔过渡元素的难熔高熵合金（RHEAs）因其更高的硬度、强度、耐腐蚀性和高温抗力而受到重视。但是，传统RHEAs中的重难熔元素（如Ta、W和Mo）显著增加了它们的密度，限制了其在各个领域的应用。
为了解决这一问题，研究者们提出了轻质难熔高熵合金（LW-RHEAs）的概念，通过引入低密度元素（如Ti、Al、V和Zr）来替代高密度元素。这些LW-RHEAs通常具有低于8 g/cm³的密度，同时保留了传统RHEAs的优异性能。尽管如此，由于硬度和耐腐蚀性之间的强烈权衡，开发具有卓越综合性能的新型LW-RHEAs仍然具有挑战性。传统的RHEAs倾向于形成简单的bcc固溶体，但是轻质和复合形成元素（如Al和Zr）的加入引入了金属间相，创造了更复杂的微观结构，显著影响了LW-RHEAs的性能。
中南大学粉末冶金国家重点实验室的张利军教授团队提出了一种基于机器学习（ML）的合金设计策略，结合多目标优化方法，用于合理设计Al-Nb-Ti-V-Zr-Cr-Mo-Hf LW-RHEAs。通过建立“成分-结构-性能”之间的定量关系，利用ML建模，然后通过特征分析揭示了Cr含量大于12原子百分比是合金具有高耐腐蚀性的关键标准。通过层层筛选合金的相结构、密度、熔点、硬度和耐腐蚀性，最终成功设计了三种具有卓越硬度和耐腐蚀性的LW-RHEAs。关键实验验证表明，这三种目标合金的密度约为6.5 g/cm³，所有合金都是无序的bcc_A2单相，硬度最高为593 HV，最大点蚀电位为2.5 VSCE，远远超过了所有文献报告。这项研究的成功演示清楚地表明，当前基于ML技术的设计理念应该普遍适用于其他RHEA系统。
本研究工作内容以标题《Data-driven design of novel lightweightrefractoryhigh-entropy alloys with superbhardness and corrosion resistance》上，文章地址请点击：https://doi.org/10.1038/s41524-024-01457-6
摘 要
轻质难熔高熵合金（LW-RHEAs）具有低密度、高强度、高硬度、耐腐蚀等特点，在航空、航天、核能等领域具有巨大的应用潜力。然而，巨大的组成空间严重阻碍了具有优异综合性能的新型LW-RHEAs的发展。本文提出了一种结合多目标优化方法的基于机器学习的合金设计策略，并将其应用于Al-Nb-Ti-V-Zr-Cr-Mo-Hf LW-RHEAs的合理设计。首先通过ML建模建立了“成分-结构-性能”的定量关系。特征分析表明Cr含量大于12at.%是判定合金是否具有高耐蚀性的关键标准。对合金的相组织、密度、熔点、硬度和耐蚀性进行了逐层筛选，最终成功设计出了3种具有优异硬度和耐蚀性的LW-RHEAs。重点实验验证表明，3种靶合金密度均在6.5 g/cm3左右，均为无序bcc_A2单相，最高硬度为593 HV，最大点蚀电位为2.5 VSCE，远远超过所有文献报道。本文的成功演示清楚地表明，目前由ML技术驱动的设计策略应该普遍适用于其他RHEA系统。
文章附图
Fig. 1 | Schematic diagram for present work.
Fig. 2 | Feature analysis for phase structure dataset.
Fig. 3 | Construction and evaluation of phase prediction ML model.
Fig. 4 | Selection and evaluation of hardness prediction ML model by estimating the test error.
Fig. 5 | LW-RHEAs corrosion resistance visualization and analysis.
Fig. 6 | Screening results of unknown γ’-containing systems.
Fig. 7 | Phase structure of target alloys.
Fig. 8 | The result of hardness test.
Fig. 9 | The result of the corrosion test in 3.5 wt% NaCl solution.
结 论
本研究成功运用基于机器学习的策略，结合多目标优化方法，设计出具有优异硬度和耐腐蚀性能的轻质难熔高熵合金，实验验证了所设计合金的卓越性能，其密度约6.5 g/cm³，硬度高达593 HV，点蚀电位达2.5 VSCE，远超现有文献报道，展示了机器学习在新材料设计中的广阔应用前景。
MatAi机器学习设计合金解决方案
MatAi利用机器学习平台iDataInsight能够建立材料成分、工艺、组织、性能、服役行为之间的隐性构效关系，在未知空间预测具有优异性能的新材料，同时得到最优性能对应的材料成分和工艺。本案例以钛合金材料为例，结合机器学习和数据融合技术设计出具有优异性能的在钛合金，展示了机器学习辅助研发人员进行材料设计和工艺优化，提高材料研发效率的应用前景。
通过自定义机器学习建模方法，探究关键特征与变形钛合金性能的影响，最终得到具有最佳性能的变形钛合金成分。这里我们预测变形铝合金的屈服强度和弹性模量。
01
数据导入预处理
为方便用户的使用，平台支持建立excel、CSV、MySOL、IDC(MatAi材料数据智能管理系统)等类型的数据库进行连接。接口可持续扩展多个数据源或三方系统。用户可以通过简易的手段添加数据。本案例中的数据通过 EXCEL形式导入。如下图
02
特征工程选择、数据预处理
通过强大的特征工程工具，自动计算大量特征之间的相关性，帮助用户快速筛选出关键特征（压头载荷、最大位移、卸载曲线顶部斜率、塑性加工率），避免了“维数灾难”的陷阱。数据预处理方面，提供了归一化、最小-最大缩放和标准化等多种方法，确保数据的清洁与健康，为模型训练打下坚实的基础。
03
选择算法训练模型
平台内置多种算法供用户选择，为提高效率，可以一次性选择多种算法，并行计算，帮助用户直观地理解模型的性能，在这里我们选择三种算法进行对比，后续我们如果有更多数据可以进行迭代学习，让模型更加精准。
根据R2和MAE值对算法进行评优，筛选出更适合的算法进行后续训练。
04
得到计算结果
根据输入的条件特征，可以直接通过模型预测相应铝合金的弹性模量和屈服强度。
05
应用转换
平台还支持将训练好的模型转化为实际应用。将模型发布为一个易于使用的应用，让其他工程师和管理人员能够直接输入参数，获取预测结果。这一创新不仅加速了材料研发的进程，还为研发决策提供了数据支持，大大提高了生产效率和产品质量。
1）应用发布
2）应用使用
MatAi（材智科技）是专注于AI驱动研发的国家高新技术企业、“专精特新”企业。MatAi作为技术先锋深耕于AI与交叉学科领域，凭借卓越的AI能力和深厚的研发经验重塑传统研发范式，打造出具备前瞻性的数字化研发平台帮助客户加速研发进程，降低研发成本，使复杂的研发过程更加智能化和高效化。MatAi致力于为企业高技术用户提供个性化的AI+研发数字化解决方案，MatAi不只是技术的应用者，更是研发领域的创新驱动者，助力客户在原始创新和颠覆性技术上取得成功。
转载：材易通
来源：特铸杂志
