基于機器學習的高強度ODS合金成分設計

白 冰，鄭 全，任 帥，張長義，楊 文,*，胡長軍

(1.中國原子能科學研究院 反應堆工程技術研究部，北京 102413；2.北京科技大學，北京 100083)

自20世紀80年代，日本、歐盟、美國、俄羅斯、中國、韓國等分別或聯合開展了氧化物彌散強化(ODS)合金的研發。ODS合金是通過粉末冶金的方法將起強化作用的氧化物顆粒以彌散分布的形式加入到基體材料中，使基體材料在原有的固溶強化、析出物強化的基礎上，增加了氧化物顆粒的彌散強化。因此相對于現有不銹鋼，ODS合金具有優異的高溫性能，已被作為第4代先進能源系統(先進快堆、超臨界水堆)結構材料和聚變堆第一壁結構材料的首選，但目前的研究表明，其高溫力學性能和抗輻照性能[1-3]仍是制約ODS合金在快堆和聚變堆領域應用的關鍵技術難題。

另一方面，材料基因工程(MGI)的出現反映了全球對加速材料從發現到應用進程的需要。其中，基于大量數據，采用機器學習找出特征性參量，進行數據挖掘(人工智能+數據)，進而預測出候選材料是材料基因工程中的一種重要工作模式。近年來，利用機器學習進行材料研究的成果開始大量涌現。Raccuglia等[4]采用機器學習中決策樹方法從之前“不成功”的實驗數據中學習規律，成功預測出新的金屬有機氧化物材料。對比有經驗的化學家人工判斷，機器預測結果成功率以89%∶78%勝出。Xue[5]利用貝葉斯線性回歸等多種回歸模型加速了形狀記憶合金、壓電材料等的開發。Ren等[6]通過高通量實驗結果與機器學習模型間的迭代，加速了金屬玻璃的發現。由此可見，機器學習方法擅長在紛繁的數據中發現和建立之間的關聯。材料是由極大數量原子構成的，描述材料的重要參量不僅有成分、結構，還包括缺陷等，十分復雜。材料性能通常是多個物理機制耦合的結果，很少只受單一因素影響，因此僅建立與某一參量相關的簡單模型很難描述。利用機器學習方法可同時研究多參量耦合的結果，增加理解問題的維度。機器學習方法的引入對于理解與發現各種材料參數與性能間的關聯極有幫助。因此，本文針對ODS合金，嘗試借助機器學習方法，建立ODS合金中關鍵成分與力學性能的關聯性，有助于推進ODS合金的材料優化。

1 ODS合金數據的篩選

ODS合金的成分、加工工藝等均會影響ODS合金基體、氧化物顆粒及其界面處的微觀結構，進而影響ODS合金的拉伸性能。文獻[7-8]研究表明，ODS合金中的主要合金元素Cr能同時提高力學性能、抗腐蝕和抗氧化性能，但含量過高會促進硬脆的δ鐵素體形成，導致強度、塑韌性下降，目前ODS合金中Cr含量多為9%～18%，Cr含量可影響ODS合金的組織結構(高Cr合金常為鐵素體鋼，其他多為鐵素體/馬氏體鋼)，進而對力學性能影響明顯。

ODS合金的主要強化特點是加入了細小的氧化物顆粒彌散在基體中，氧化物顆粒使沉淀、氧化物彌散與位錯強化迅速增大成為ODS合金中的主要強化，其強化效果甚至超過固溶強化和細晶強化之和。在高溫、輻照下，沉淀相重新溶解，位錯移動能力增強、釘扎效果減弱，沉淀強化、位錯強化效果減弱，而氧化物顆粒在高溫下仍保持穩定，保證了彌散強化、減輕輻照損傷等效果，從而使ODS合金具有良好的高溫力學性能、抗氧化耐腐蝕性能及耐輻照性能等。文獻[7-9]中ODS合金中添加的氧化物大多數為Y2O3，少量文獻中涉及Al2O3(1 000 ℃發生α相向γ相轉變)、V2O3、MgO、ZrO2、TiO2及La2O3、CeO2等其他稀土氧化物，且均為高熔點氧化物，這類氧化物的添加可提高ODS合金的高溫力學性能(尤其是強度)。文獻[7-9]中氧化物主要涉及ⅡB～ⅣB族元素，其中主要為ⅢB族的Y，其次為ⅣB族的Ti、Zr。其中Y在基體中溶解度低于Ti、Zr，高溫、輻照等條件下，Y在基體中擴散速度較Ti、Zr慢，氧化物溶解-再析出過程慢，能較長時間維持其原有尺寸、分布，從而使ODS合金力學性能維持更長時間。此外，Y2O3能與Ti、Zr等元素反應生成尺寸更細、穩定性更好的復雜氧化物。但Y2O3的添加量是否對ODS合金的性能產生影響，目前已有部分相關研究，文獻[9-10]報道Y2O3的添加量多為0.02%～0.05%。另外，ODS合金中Ti、Al、W等較低含量元素的加入，既能形成碳化物提高基體組織性能、細化晶粒、改善低溫脆性，也能與氧化物顆粒形成尺度更小更均勻的強化相，因此，這類元素的添加亦會對ODS合金性能產生影響。

除成分外，ODS合金的制備工藝也是影響其材料最終性能的關鍵環節[11]。ODS合金制備工藝總體上分兩類：粉末冶金和熔煉，其中粉末冶金為主要研究方向，并已實現工業化生產。熔煉主要能克服粉末冶金無法成型大型工件、產品塑韌性較差的缺點。目前采用熔煉法制備ODS合金的研究較少，主要問題是真空熔煉制備的ODS合金中氧化物雖能有效添加，但尺寸只能達到μm級，使其力學性能、抗輻照性能不如粉末冶金制得的納米氧化物ODS合金。粉末冶金制備ODS合金，通常分為制粉、成型、后續處理3部分。制粉方法主要有氧化法、化學法、機械合金化法等，其中，機械合金化法為目前ODS合金研究中應用最廣泛的制粉方法[12-13]，已應用于工業化生產ODS合金(如MA957)。成型方法主要有熱等靜壓法、熱擠壓法、放電等離子體燒結法等，其中，熱等靜壓法廣泛應用于實驗室ODS合金研究制備中，該法成型溫度低于熱擠壓法，產品晶粒細小、致密度高、無各向異性，故宏觀力學性能較好，尤其適用于不易加工的ODS合金。熱等靜壓法的影響因素主要有溫度、壓力、時間等。

ODS合金無論應用于快堆中的包殼材料，還是聚變堆中的第一壁結構材料，力學性能中重點關注拉伸性能(包含抗拉強度、屈服強度、總延伸率等)及蠕變性能(包含蠕變斷裂強度、斷裂時間等)。因此綜上所述，機器學習所基于的數據庫，主要包含ODS合金的成分、加工工藝、測試條件、性能數據等信息。

ODS合金作為快堆包殼材料，或聚變堆的第一壁結構材料，其力學性能(尤其是高溫力學性能)是關注的焦點之一[10,14]，本文選擇Cr含量、Ti含量、W含量、Al含量、Y2O3含量、相結構、成型工藝類型及溫度、性能測試樣品類型及測試溫度作為建立與力學性能關聯性的輸入。本文共收集并篩選200～300組數據，利用這些數據，通過構建機器學習的算法，獲得材料關鍵成分與力學性能的關聯性。

2 ODS合金關鍵組分與拉伸性能的關聯

針對200～300組的小樣本預測，支持向量機方法具有更好的精度，因此本文中亦采用該方法。首先準備數據，將數據轉換為Libsvm軟件包要求的數據格式(label index1:value1，index2:value2，…)，其中，對于分類來說label為類標識，指定數據的種類；而對于回歸來說label為目標值。index是從1開始的自然數，value是每一維的特征值。然后訓練數據，生成模型。訓練中所需調整的重要參數為-c、-g、-p，本文采用gridregression.py對此3個參數進行優化。

回歸預測過程中，樣本的屬性個數選擇非常重要，過少的屬性會導致欠擬合，過多的屬性又會導致過擬合。因此，根據上述對數據的篩選，確定了ODS合金中的Cr含量、Ti含量、W含量、Al含量、Y2O3含量、相結構、成型工藝類型及溫度，拉伸測試溫度作為機器學習的輸入，其中訓練集99個樣本，用于訓練出合適的模型，測試集44個樣本，用于測試所訓練模型的準確性。測試結果如圖1所示，可看出，所訓練出的模型預測相關系數達0.75以上。

圖1 抗拉強度預測值-實驗值分布散點圖Fig.1 Distribution scatter diagram of predicted-measured tensile strengths

利用上述訓練的模型，預測Cr、Ti、W、Al、Y2O3關鍵成分和抗拉強度之間的關系。建立每種元素與抗拉強度的關系時，其他元素含量需設定為定值。最初設定Ti為0.1%、W為1%、Al為0%、Y2O3為0.3%，建立Cr與抗拉強度的關系后，將Cr含量的最優值作為輸入以建立另一元素與抗拉強度的關系，以此類推。圖2為不同元素與抗拉強度的關系。可看出，在Cr、Y2O3、W和Ti含量與ODS合金抗拉強度的變化趨勢中，均存在對應抗拉強度極值的最優值，而添加Al對抗拉強度的提升無明顯作用。

圖2 不同元素與抗拉強度的關系Fig.2 Relation between different elements and tensile strength

3 成分優化建議

由圖2給出的ODS合金關鍵成分與抗拉強度的關系中，通過選取靠近抗拉強度極值的參數，得到抗拉強度的優化預測，結果列于表1。

表1 ODS合金關鍵組分優化后的抗拉強度預測Table 1 Prediction of tensile strength of ODS alloy after component optimization

4 結論

本文針對ODS合金，收集了200～300組試驗數據，每組數據包含ODS合金的成分、加工工藝、相結構、拉伸性能測試參數和拉伸性能數據等。針對已有的ODS合金拉伸性能影響因素的研究結果，篩選出9種屬性作為機器學習研究的輸入，包含ODS合金中Cr含量、Y2O3含量、W含量、Ti含量、Al含量、成型工藝類型及溫度、相結構和拉伸測試溫度。利用支持向量機的方法，建立了ODS合金中關鍵成分與其抗拉強度的關聯性，其中Cr、Y2O3、W和Ti含量均存在對應著抗拉強度極值的最優值，而添加Al對抗拉強度的提升無明顯作用。獲得的幾種抗拉強度優化的ODS合金關鍵成分配比，所預測出的室溫抗拉強度均在1 400 MPa以上。該研究結果對后續的材料優化提出了新的建議和思路。