高熵合金生成相的機器學習預測

馬妞妞，劉翠霞，堅增運

(西安工業大學 材料與化工學院,西安710021)

高熵合金(High-Entropy Alloys,HEAs)其獨特的微觀結構和優異的性能,包括強抗氧化性、優異的機械性能、良好的熱穩定性和理想磁性等引起了各個領域的極大關注。根據合金成分-微觀結構-性能之間的關系表明HEAs的優異性能取決于生成相的組成,故深入了解相階段對于進一步開發具有所需性能的HEAs至關重要。而作為多主元素合金,HEAs各元素之間接近等原子比或接近等原子組成,使其擁有巨大的搜索空間,使得從可用元素調色板中制造出大量不同系統,設計開發具有前途的新型HEAs十分困難。機器學習(Machine Learning,ML)應運而生,作為一種數據驅動方法,經濟高效的特點使得其很快在材料領域得到發展和應用。材料信息學將其用于相階段預測,它可以幫助確定一個包含所需性能候選合金的較小子空間,減少大量實驗過程中人和物品的損耗。

文獻[1]關于多主元素合金的初次報告就引起了工業研究領域的關注,其研究了等原子多組分合金成分FeCoNiMnCr,表現出了單一FCC固溶體。文獻[2]研究了多種元素的不同組合,例如Co、V、Al、Mo、Ti、Zr和Nb,其表現出比傳統合金更好的機械性能。傳統的試錯實驗需要花費大量的時間和金錢,同時對實驗條件要求苛刻、不能短時間內進行大量時間。隨著研究的進行,人們對HEAs的研究越來越深入。HEAs優異的性能被認為取決于第二相的類型和分數,文獻[3]進行了計算輔助參數方法,對雙相HEAs中的定量相預測。文獻[4]對多組分合金進行了從頭相穩定性和機械性能的研究,提供了迄今為止使用離散傅里葉變換研究的多主要元素合金和各種材料特性的廣泛匯編。……