在核電結構件的材料選擇中，奧氏體不銹鋼（SSs）因具有優異的機械性能和耐腐蝕性被廣泛使用。但核電的高溫腐蝕環境與外部機械載荷的協同作用下，奧氏體不銹鋼很容易在晶界處發生應力腐蝕（SCC）開裂，嚴重威脅著長期服役安全。近年來，隨著增材制造技術的發展，其近凈成形和高精度成形的優勢使其在核能領域中飽受關注，同時由于增材制造過程伴隨的多次熱循環與高速冷卻等特點，制備出的非平衡微觀結構的奧氏體不銹鋼增強了其對于SCC的再鈍化能力，但如何確定主導SCC發生的主要因素，并準確預測裂縫的位置仍是一個亟待攻克的難題。

2025年7月14日，上海交通大學曾小勤教授團隊在《Acta Materialia》期刊上發表題為《Predicting intergranular stress corrosion cracking of stainless steels in high-temperature water by incorporating crystallographic factor》的研究論文，創新性地引入Luster-Morris因子（m?）這一幾何參數，結合機器學習方法，對超過12,000個晶界的數據進行分析，成功構建出一個具有85%預測準確率的晶界SCC敏感性模型，開辟了高溫水環境下SCC預測新路徑。

核心內容

在本研究中，團隊研究了兩種不同工藝生產的奧氏體不銹鋼樣品，一種是常規工藝制造的316 L SS，另一種采用激光粉末床熔（L-PBF）法制備，采用氮氣霧化粉末，平均粒徑約為36 μm，為了改變制備后LPBF狀態的非平衡微觀結構，進行了三種后處理：應力消除（SR）、固溶退火（SA）和熱等靜壓（HIP）。分別對兩種316L進行SCC測試，由于L-PBF試樣的SCC敏感性具有各向異性，因此試樣的取向為最易受SCC影響的方向——即構建取向垂直于拉伸加載軸，并使用EBSD、FIB-TKD等方法系統獲取晶界晶體學信息，通過HR-EBSD對局域應變與應力分布進行量化，建立了包含晶界傾角θ、m?因子、取向差等特征的大型數據庫，并通過XGBoost構建機器學習模型，基于超過12,000 晶界的統計數據集，提出了一個可靠有效的SCC啟動預測的綜合框架。

圖形摘要

研究方法

根據FIB-TKD聯合技術獲得的裂紋晶界的晶體取向信息，對于晶界相關的腐蝕和導致SCC的機械特性進行初步判斷。其次，采用多種方法驗證m′與晶間應變不相容引起的滑移連續性之間的SCC相關性。其次，系統地獲取了平面晶界裂紋的多種特征，并對這些參數進行了統計分析，闡明了控制SCC起裂的通用幾何準則。在此基礎上，建立了SCC實驗數據集，然后使用該數據集來訓練使用機器學習工具的預測模型，從而準確預測晶界進行SCC的可能性。本文對影響SCC發生的主要因素提出了新穎而全面的見解，并為預測SSs中SCC行為提供了框架。

SCC預測的機器學習流程圖

研究成果

① m?因子是影響晶界SCC的關鍵

研究發現，傳統認為的重要參數如晶界晶面取向、原子堆積密度（GBAPD）對SCC預測能力較弱。相比之下，低m?值晶界更易阻礙滑移傳遞，導致應力集中，極易誘發SCC。

SR與HIP樣晶界裂紋微觀形貌與化學元素分布

晶界m?-θ-GBAPD 三維投影圖

② 滑移傳遞或阻斷可直接觀察

通過對比相同晶界傾角、取向差、SF值，但m?值不同的晶界，團隊直接觀察到滑移是否貫穿晶界與m?值高度一致，從而證實m?因子對裂紋萌生具有決定性意義。

m?值分布與應力、KAM圖對應關系

③ 三大晶界參數預測SCC的黃金組合——θ、取向差、m?

統計分析顯示，θ>40°、取向差25°～55°、m?<0.8構成SCC高風險晶界的“特征三聯”。越多滿足這三項條件的晶界，整體材料的SCC敏感性越高，而在相同的晶界參數范圍內，晶內復雜性，如偏析、析出等影響材料的SCC敏感性。

不同取向和粒徑的SCC 晶界的HR-EBSD測量

④ 模型準確性驗證結果良好

最終訓練出的模型在驗證集上達到了85%的預測準確率，MCC為0.55，并通過SHAP分析揭示θ、m?和取向差是模型中貢獻最大的三項特征。模型在兩種工藝制備的316L不銹鋼上均表現良好泛化性。

對導致SCC發生的晶界參數進行相關性評估

總結與展望