文章摘要：

设计具有低密度、高强度和高微观组织稳定性的新型高温合金是一项巨大的挑战。本研究利用自动机器学习(ML)模型来探索在FCC-γ基体上析出共格γ'纳米沉淀物的高熵高温合金(HESAs)。在进行ML之前，首先通过领域知识对数据库样本进行预处理。在ML中，应用了Autogluon和Genetic Algorithm两种方法来建立合金成分与屈服强度之间的关系，并处理成分优化问题。因此，ML模型不仅能高精度地预测强度(R² > 95 %)，还能在多组分系统中有效地设计出具有所需性能的成分。利用ML预测了具有目标强度和密度的新型HESAs，并通过一系列实验进行了验证。实验结果表明，所设计的Ni-5.82Fe-15.34Co-2.53Al2.99Ti-2.90Nb-15.97Cr-2.50Mo(wt.%)HESA在室温下的屈服强度为1346 MPa，在1023 K时为1061 MPa，密度仅为7.98 g/cm³。此外，该合金具有优异的抗蠕变性，在1023 K/480 MPa的条件下，断裂寿命为149 h，优于大多数传统的变形高温合金。此外，这些合金中的γ'纳米粒子在1023 K时的粗化速度极慢，显示出优异的微观组织稳定性。此外，还进一步讨论了强化和变形机制。该框架为通过ML实现高性能复杂合金以性能为导向的成分设计提供了一条新途径。

研究背景：

航空发动机的高推重比要求高性能结构材料具有低密度、高强度和优异的微观组织热稳定性。然而，在实验上很难将变形高温合金密度降低到8.0g/cm³以下，承温能力难以突破750°C，在现有候选材料中实现最优仍然面临巨大挑战。最近，人工智能方法，尤其是机器学习(ML)方法备受关注，因为这些方法不仅能预测宏观性能，还能高效开发新的高性能材料。但是，对于任何给定的合金体系，由于样本数据库较小，样本的质量和数量会严重影响ML模型的预测精度。而在ML模型中引入关键的系统特征参数可大大提高预测精度，因为这些参数有助于在ML的输入和输出之间建立良好的相关性。需要强调的是，高熵高温合金的微观结构特征对其机械性能至关重要。特别是在沉淀强化型高温合金中，γ'纳米沉淀物的粒度和体积分数是影响力学性能的关键因素。事实上，这些微观结构特征与化学成分和加工过程（包括锻造、轧制和热处理）密切相关，由于它们之间的相关性异常复杂，现有的物理模型无法很好地描述它们。最重要的是，在机器学习正向设计是“多对一”的线性问题，而逆向设计会变成了“一对多”的多目标优化问题，尤其是在成分复杂的高温合金中。因此，如何合理构建成分-组织-性能的机器学习模型，指导开发高性能复杂合金是当前的亟待突破的“卡脖子”难题。

研究内容：

1. ML模型构建

1.1 领域知识预处理构建ML数据库：

Ø 收集实验数据，同时剔除掉不符合条件的样本数据。例如：有TCP相的合金，粉末冶金、定向凝固等复杂制备的合金，异质结构合金等。

Ø 样本质量与数量提升：多级g'粒子尺寸归一化、JMatPro数据验证与缺失数据补充等。

1.2 ML正向设计：

在正向设计中通过采用AutoGluon算法构建机器学习模型，同时将特征参数也建立相应关系。模型的采用R²与RMSE判定精度，发现R²>95%且RMSE<50MPa，模型精度可信。

1.3 ML逆向设计：

为解决性能-成分的多目标优化问题，我们采用Genetic Algorithm进行逆向设计，同时引入团簇成分式进行成分约束，大大缩小成分空间。

2. 实验验证

2.1 实验流程：

采用真空感应熔炼制备7 kg样品，进行一系列的热加工处理，最后制成4mm板材。随后进行均匀化、固溶处理、双级时效处理，以及对样品进行1023K下长达1000h处理。对相关样品进行表征与性能测试。

2.2 实验结果：

首先，我们针对ML模型进行正向实验验证，通过测试发现，ML模型预测的性能与实验值相当，证明当前ML模型精度高，可以用来进行逆向设计。随后，通过设定特定强度预测合金成分，预测得到系列合金成分，进行实验验证。结果表明，ML预测值与实验值吻合。优选合金的相较于报道合金拥有更低的密度（< 8.0 g/cm³）、更高的屈服强度(室温下1346 MPa，1023K下1061 MPa)以及优异的高温蠕变性能 (480 MPa/1023 K条件下，断裂寿命149 h)。同时，合金拥有高的高温组织稳定性(1023 K下时效1000 h，g'纳米粒子粗化缓慢且无有害相析出)。

3. 讨论

3.1 团簇成分式对全局优化的影响：

设定特定屈服强度(1150 MPa)，当仅有密度约束时，会得到156个成分，这对实验验证来说非常困难。当嵌入团簇成分式后，可以1~2种优选成分。同时，经过系列合金实验验证，优选成分的ML预测值与实验室吻合且其g/g'共格组织拥有高的热稳定性。

3.2 强化机制：

系列合金的强度主要来源于细晶强化、固溶强化与沉淀强化。计算发现，屈服强度的理论值与实验值接近，同时以沉淀强化为主(445~545 MPa)。

3.3 变形机制：

通过对不同状态下断裂的合金进行TEM分析发现，室温下以位错剪切g'纳米粒子为主，伴随少量、短层错；高温下(1023K)下形成层错网与高密度的L-C锁，进一步提高了合金的延展性；蠕变后则产生了大量的孪晶与层错，进一步提高合金的蠕变寿命。

结论：

本研究运用AutoML模型和以性能为导向的设计策略，在多元合金体系中设计出高强度和优异抗蠕变性能的新型低密度高熵高温合金，主要结论如下：

1) 在领域知识预处理的指导下，构建ML数据库。在正向设计中拥有极高的精度，同时通过实验验证了该模型的高精度；

2) 在逆向设计中嵌入团簇成分式和密度限制，设计出特定性能的新型合金，团簇成分式可以精确高效的预测多组分系统的合金组成。

3) 新型合金拥有高的g/g'共格组织稳定性，同时拥有优异的力学性能，主要来源于多种强韧化机制。

致谢：

国家自然科学基金项目（U24A2024、52171152）资助。

图文速览：

构建机器学习模型→实验正向验证机器学习模型精度→逆向设计获得优选成分→微观组织表征、力学性能验证与对比

【引用】：Yancheng Li, Jingyu Pang, Zhen Li, Qing Wang*, Zhenhua Wang, Jinlin Li, Hongwei Zhang*, Zengbao Jiao, Chuang Dong, Peter K. Liaw. Developing novel low-density high-entropy superalloys with high strength and superior creep resistance guided by automated machine learning. Acta Materialia, 2025, 285:120656.