论文部分内容阅读
对于多组元合金,由于存在大量的潜在成分组合,采用传统的经验与试错法使得研发过程缓慢而昂贵。为应对多组元合金成分设计的挑战,我们发展了高通量实验(HTE)结合机器学习(ML)的研发方法加速合金成分优化,并将THE-ML方法用于发展新型非等摩尔比硬质高熵合金(HEA)Co_xCr_yTi_zMo_u W_v。我们设计研发了系列高通量合金制备设备,包含了从原料配置用的多工位粉料分配系统到合金化用的多工位自动电弧熔炼系统以及后续的金相样品制备设备。我们使用高通量实验设备分两步制备潜在成分空间中约1/28的合金样本,期间利用机器学习方法指导实验方案设计。首先,我们单独调整难熔合金元素W或Mo成分,以及通过相结构的特征描述因子选定成分,共计制备111个合金样品。通过三种机器学习算法与四种特征描述因子组合构建12个机器学习方法和120个机器学习模型进行多方法和多模型统计预测。第二步高通量实验针对初始的机器学习模型按照硬度区间预测选择的27个合金成分进行。最终的机器学习模型构建使用了全部138个实验数据,预测的硬度在高(HV>800)、中(HV∈(600~800))、低(HV<600)硬度区域的平均误差分别为5.3%、6.3%和15.4%,相对应区域实验测量偏差分别为1.69%、1.88%、1.87%。此外,我们利用机器学习模型预测了Co_xCr_yTi_zMo_uW_v体系内潜在3876个合金的硬度,构建了全局成分范围内的“成分-硬度”与“描述因子-硬度”关系,讨论了合金成分和物理描述因子对合金硬度的影响规律。通过分析CoCrTiMoW的微观组织结构,理解该合金体系的硬度强化机制和各元素的作用。本工作证实机器学习指导下的高通量实验(ML-HTE)方法为多组元合金的成分设计提供了一种新的有效策略:通过高通量实验和机器学习的双重手段,可以更低的成本加速材料研发速度达百倍以上。