機器學習輔助高熵合金相結構預測

張 歡,程 洪,葛美伶,司天宇,何忠平

(成都大學 機械工程學院，四川 成都 610106)

0 引 言

機器學習(machine learning,ML)[1]作為人工智能的一部分，與材料科學相結合[2-3]，充分發揮數據驅動技術的優勢，給材料科學研究提供了新的手段和方向.Zhang等[4]使用ML中的遺傳算法預測高熵合金相分類的2個問題，即對于固溶體和非固溶體，采用支持向量機分類效果最好，測試正確率為88.7%，而對于體心立方和面心立方相的分類，神經網絡算法的準確率為91.3%.杜航等[5]采用基于遺傳算法的反向傳播神經網絡算法預測石油單井產量，從而避免了計算的復雜性.Chang等[6]利用ML模型對高熵合金的硬度進行了預測，并利用該模型找到了AlCoCrFeMnNi基高熵合金的最佳成分.王錫琴等[7]在預測水泥粉煤灰碎石樁復合地基承載力的實驗中使用神經網絡模型進行學習訓練數據，結果顯示此預測能力是可行的.Roy等[8]利用ML模型，預測由5種難熔元素組成的低、中、高熵合金的晶相和楊氏模量.

高熵合金由于其優異的性能[9]備受關注.TiZr基難熔合金(包括Ti-Zr-Nb-Cr-Fe[10]、Ti-Zr-Nb-Ta[11]、Ti-Zr-Hf-Nb-Mo[12]系)與傳統Ti基合金相比表現出更高的強度和硬度，也具有更優異的耐磨性，因此被視為當前生物醫用材料[13]研究的熱點.同時，相結構的正確選擇在高熵合金設計中扮演重要的角色，然而對于特定性能要求的多組分合金設計還沒有完整的理論，均通過試錯確定[14-15]，所以結合ML對高熵合金相選擇的研究不僅能指導合金設計，也提升了發現新合金的效率.圖1展示了材料學中ML的一般步……