{首页主词},&

橡樹嶺國家實驗室《Nature》子刊：新方法！可預測復雜高溫合金性能

2022-05-07 15:25:44 作者：材易通來源：材易通分享至：

高溫合金設計需要同時考慮多種不同尺度的機制。本文提出了一個新方法將高度相關的物理學與機器學習（ML）相結合，以9~12 wt％Cr鋼的屈服強度為例來預測復雜的高溫合金性能。將合成合金特征納入數據集，捕獲微觀結構和相變。通過相關分析發現了影響9Cr屈服強度的高沖擊特征，與公認的強化機理一致。作為驗證過程的一部分，針對溫度對子數據集的一致性進行了廣泛的評估，然后針對經過訓練的ML模型的邊界條件進行了完善。使用ML模型預測的9Cr鋼的屈服強度與實驗非常吻合。當前的方法在詢問ML模型時引入了物理上有意義的約束條件，可準確預測應用于數據驅動材料的假設合金的性能。

由數據分析輔助的材料設計是材料科學和工程的一個新興領域，相對于僅基于實驗研究或基于物理模擬的傳統材料開發方法，它可以降低成本、風險和時間。由于它們的復雜性（例如，化學，熔融過程，熱機械過程，熱處理以及由此產生的微觀結構），通過機器學習（ML）進行高溫合金的合理設計需要一個涵蓋以下各個方面的綜合數據：多組分，多相，多物理場，多尺度和多重強化機制，以及加工條件對最終產品性能的重大影響。

以往大多數用ML來預測高溫合金性能的研究都是以合金成分和簡單的加工條件為特征。雖然這些方法可以利用幾十年來積累的實驗數據，但由于缺乏物理約束，在輸入數據的范圍之外對這些模型進行外推（甚至內插）是有風險的。有人嘗試將原子級特征，例如原子半徑/體積、電負性、內聚能和局部電負性錯配，用于預測高溫合金性能，在較大長度尺度（即微尺度和中尺度）發生的現象/機制相關的特征可能對合金產生更大的影響。

對于高溫合金設計，物理信息，如微觀組織是表征過程-結構-性能相關性的關鍵。但是，對于許多材料系統（尤其是高溫合金），CALPHAD與微觀結構相關的合成特征通常是不夠的，因為微觀結構會隨時間變化，并且強化機制會隨著施加的應力和溫度而變化。以9-12wt％Cr馬氏體-鐵素體鋼（以下稱為9Cr鋼）為例。這類合金由回火的馬氏體微觀結構組成，其中溫度對于強化機制起著關鍵作用。精細的奧氏體晶粒/小塊/板條結構和位錯密度顯著控制了室溫強度。隨著溫度升高，最高到600–650°C，第二相沉淀，即M23C6（M = Fe，Cr和Mn），MX（M：主要是V，X：C和N），甚至在晶粒內部或沿著這些子邊界的Laves相，對強化起重要作用。高于700°C，微觀結構的不穩定性，例如快速的沉淀粗化，恢復和/或重結晶，會導致機械強度的顯著降低。除了微觀結構信息外，還應考慮相關特征，例如相變溫度。這些相變溫度是直接與馬氏體組織演變相關，影響它們的初始機械性能以及長期的微觀結構穩定性。

基于此，美國橡樹嶺國家實驗室Dongwon Shin教授團隊創新性的將高度相關的物理學耦合到ML模型中以預測多相和多組分高溫合金性能。相關研究結果以題為“Coupling physics in machine learning to predict properties of high-temperatures alloys Corrosion resistance enhancement of CoCrFeMnNi high-entropy alloy fabricated by additive manufacturing”發表在Nature子刊npj Computational Materials上。

論文鏈接：

https://www.nature.com/articles/s41524-020-00407-2

圖1說明了本研究中使用的9Cr鋼屈服強度數據集的結構。數據集中的這些特征與9Cr屈服強度之間的相關性被定量確定，并與普遍接受的機制進行比較。評估了有代表性的ML模型的性能，此外，還進行了額外的工作，以評估ML模型在預測9Cr鋼的PAGS時的性能。

圖1 9Cr數據集中的特征 9Cr數據分析中考慮的合金特征。 1/2組是原始實驗數據，3/4組是計算的合成合金特征。該數據集涵蓋了從室溫到800°C的數據，溫度旁邊的括號中的值表示每個溫度下的數據點數

圖2.基于相關性分析的機器學習準確性。以原始實驗數據（成分，處理和測試條件以及PAGS）為函數的五個訓練過的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機森林；SVM支持向量機）的準確性整個9Cr數據集中排名最高的要素的數量。每個模型的超參數最多可進行150次迭代以獲得最佳參數。每個模型接受十次訓練以確定平均準確度及其標準偏差。

圖3.不同溫度下子集數據的相關性分析。所有特征（組成，加工和測試條件，微觀結構和相變溫度，請參見表1）與選定代表溫度下的屈服強度之間的相關性分析結果。給出了200°C（低溫），550°C和650°C（中至高溫）以及750°C（高于使用溫度）的45個特征中前10個和后10個特征的相關系數。

圖4.各個溫度子數據集的ML性能。根據MIC和b PCC分析得出的經過訓練的ML模型（以隨機森林為例）的精度與溫度和頂級特征數的關系。對模型進行了十次訓練，以確定平均準確度及其標準偏差（誤差線）。每個模型的超參數最多可進行150次迭代以獲得最佳參數。垂直虛線指示從哪里開始出現數據不足和相關功能的問題。

圖5.截斷（≤650°C）數據集中所有合金特征與屈服強度之間的相關性分析。 a來自MIC的排名前20位的特征和| PCC |來自的相應特征，以及b來自PCC分析的前10名和后10名特征。

圖6. ML性能與排名最高的功能數量的關系。五個經過訓練的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機森林；SVM支持向量機回歸）在預測屈服強度方面的準確性。這些模型接受了高通量計算中合成的合成特征的訓練，這些特征是截斷的數據集（≤650°C）中排名最高的特征的數量的函數。每個模型的超參數最多可進行150次迭代以獲得最佳參數。每個模型經過十次訓練，以確定平均準確度及其標準偏差（誤差線）。