Machine Learning Guided CALPHAD Design of Ru-Stabilized BCC B2 Refractory Alloys
本研究将 CALPHAD 计算与随机森林引导的主动学习相结合，旨在设计并鉴定出 100 种具有稳定的高温 BCC 基体和 B2 析出相的 Ru 稳定 Nb 基难熔合金，从而建立了实用的成分规则，并强调了晶格错配是关键的设计目标。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
能够承受喷气发动机或火箭喷嘴灼热高温的金属，是材料工程师必须创造的最具挑战性的材料之一。几十年来，这个高温世界的冠军一直是镍基超合金。这些材料依赖于一种巧妙的内部架构：一种柔软、具有延展性的金属基体，通过散布在其中的不同晶体结构的微小、有序岛屿来增强强度。这种排列方式使得金属即使在温度飙升时也能保持强度而不会变得脆弱。然而，镍合金最终会遇到瓶颈；随着温度升高超过某个临界点，这些有序岛屿会失去其结构，导致材料失效。为了突破这一极限，科学家们正转向难熔金属——例如铌、钽和钼等在极高温度下才会熔化的元素。目标是构建新一代合金，模仿镍合金成功的架构，但能在镍会直接熔化的环境中生存。
挑战在于找到正确的配方。虽然基础金属已知可以形成稳定的、具有延展性的结构，但添加制造强化岛屿所需的特定成分是一个复杂的平衡过程。如果添加了错误的元素，合金可能会形成脆弱且无用的化合物，而不是理想的强化相，或者可能过早熔化。多年来，研究人员一直依赖于试错法或缓慢的逐步计算来寻找这些配方。来自加州理工州立大学和梅里马克学院的内森·彼得森（Nathan Peterson）、阿维克·马哈塔（Avik Mahata）及其同事的一项新研究采用了不同的方法。他们将强大的计算机模拟与机器学习策略相结合，以探索广阔的可能金属组合景观，寻找一种能在远高于1300摄氏度时仍保持稳定和强度的特定类型合金。
研究人员专注于一种设计，即以体心立方晶体结构作为柔性基体，并由被称为B2的有序相进行强化。为了使这种有序相在极端高温下保持稳定，他们转向了�ル（ruthenium），这是一种能够显示出在其他组合失效的温度下锁定这些结构的独特能力的稀有金属。团队着手探索一个包含铌、钽、钼、钒、�ル、钛、锆、铪、铝和钇在内的十元素池。他们不仅仅是测试一些猜测；他们使用了一个可以评估数千种潜在配方的计算机系统，但他们需要一种高效的方法。他们采用了一种机器学习模型，具体来说是随机森林算法，它就像一个智能过滤器。该模型通过学习一小组详细的计算，来预测新的、未经测试的配方的行为，从而使团队能够将最昂贵且最耗时的计算集中在最有希望的候选对象上。
研究始于对500种不同合金成分进行详细的平衡计算。这些计算模拟了在从1000度到2500摄氏度各种温度下会存在哪些物相。团队为成功的合金确立了四条严格规则。首先，基体和强化岛屿的两相结构必须在1300摄氏度以上保持稳定。第二，合金在该温度下必须保持完全固体状态，不得形成液体。第三，合金必须是“纯净”的，这意味着它仅包含理想的基体和强化相，避免出现破坏材料强度的脆性竞争相。第四，强化岛屿必须占合金的特定比例，即在15%到55%之间，以提供有效的增强而不至于使材料过于脆弱。
在测试的500种合金中，只有100种符合所有这四项严苛标准。这20%的成功率凸显了寻找正确元素组合的难度。在获胜者中，研究人员发现有19种合金保持了相对较低的镧（ruthenium）含量，在10%或以下。这是一个重要的发现，因为之前的研究表明，高镧含量的合金在制造过程中容易发生开裂。在这一组中，最成功的配方是基于铌，混合了钽或钼，并由铪进行稳定。一种突出的合金由铌、钼、钛、镧、铪和锆组成，其两相结构在高达2250摄士度的惊人温度下仍能保持。该研究还通过重新发现两种通过先前实验工作确定的特定合金，验证了其方法的有效性，证明了他们的计算机引导搜索可以找到真实的、可行的材料。
研究还揭示了关于哪些元素有益以及哪些元素有害的明确规则。镧被证实是高温稳定性的关键；增加其含量可以将合金的温度极限提高到大约9或10%，超过这个比例后，再多添加也几乎没有益处。在其他元素中，铪被证明是在维持稳定性方面最有效的，其次是锆和钛。钽有助于提高熔点，而钒对于保持合金免受不想要的脆性相影响至关重要。相反，研究发现添加铝或钇几乎总是错误的。这些元素倾向于引发竞争性脆性相的形成，从而破坏合金的完整性。特别是铝的存在，是导致形成不想要化合物的主要驱动因素，尤其是当它与钽结合时。
虽然机器学习系统成功识别了这些有希望的合金，但研究也揭示了最初引导搜索时的一个缺陷。用于对候选对象进行排名的计算机模型过于关注探索不确定区域，而不是利用已知的最佳路径。这种偏差导致搜索向含有铝和锆的合金偏移，模型认为这些区域很有趣，但它们最终未能通过严格的纯度测试。研究人员意识到，他们在预测中对不确定性的权重分配扭曲了结果，导致系统去追逐复杂、混乱的成分，而不是他们需要的干净、稳定的成分。这一洞察力与合金配方本身一样有价值，因为它为未来的搜索提供了路线图。
研究结论指出，虽然计算机模型能够很好地预测这些金属的总体行为，但最终的筛选过程需要更加精确。研究人员强调，仅仅找到一种稳定的合金是不够的；材料还必须具有正确的相平衡，并避免特定的污染物。他们确定，不同物相中原子尺寸的不匹配是一个需要未来工作中更直接测量的关键因素。通过将热力学计算与机器学习相结合，团队绘制出了难熔合金的新领域。他们表明，通过仔细选择铪和镧等元素，同时避免铝和钇，是有可能设计出能够在下一代航空发动机极端环境中运行的金属。这项工作为实验人员开始构建和测试这些新材料提供了坚实的基础，使该领域离那些真正能够超越过去镍基冠军的合金更近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。