论文部分内容阅读
先进航空发动机材料是国家航空事业发展的关键。镍基高温合金因具有高强度、抗蠕变、抗疲劳和耐腐蚀的优异综合性能,成为航空发动机高温结构部件的关键材料。高推重比航空发动机的发展需要高性能镍基高温合金作为支持。镍基高温合金通常含有8种以上的合金元素,平衡合金组元的复杂非线性交互作用成为发展的关键点。然而,基于经验的反复实验测试在处理复杂合金成分时会消耗较多的时间与成本。材料基因工程促进了高通量计算与机器学习的应用,为加速开发新型镍基高温合金提供了新思路。本论文基于材料基因工程的理念,集成第一性原理计算、热力学计算与机器学习,设计800-850℃高屈服强度镍基高温合金。本论文开展的研究工作如下:（1）利用特征选择和遗传算法的机器学习设计框架进行成分优化,分析影响镍基高温合金屈服强度的关键因素。通过随机森林与最大信息系数对固溶强化与沉淀强化两类镍基高温合金进行特征选择,关键特征为Co、Al、Ti、Cr、Mo、W、C、B、时效温度和测试温度。建立随机森林模型,并且将800℃设定为目标温度,通过遗传算法优化得到两种候选合金Ni-16Cr-14Co-2Mo-8Al-4Ti（S1）和 Ni-1 6Cr-9Co-2Mo-1 W-8Al-4Ti（S2）。热力学计算表明 S1 和S2合金均具有γ+γ’的相组成,性能评价指标表明S1和S2均具有较高γ’体积分数与反相畴界能的匹配,进而获得强的沉淀强化效应。S1和S2的制备样品显示γ’体积分数分别为49vol.%和51vol.%,密度分别为8.061g/cm3和8.102g/cm3。S1 和 S2 的维氏硬度分别为 401.5HV5 和 422.7HV5,800℃ 屈服强度分别为703MPa和737MPa,高于镍基高温合金Udimet500和Waspaloy。讨论了机器学习的普适性,证明机器学习具有优化镍基高温合金的能力,机器学习结果表明镍基高温合金的设计策略是形成适量γ’含量与高反相畴界能的协同作用以提升沉淀强化效应。（2）结合机器学习与理论模型,以提升沉淀强化效应为设计策略,采用跨尺度方法设计优化多性能平衡镍基高温合金。通过第一性原理计算分析合金元素对γ’相稳定性、晶格错配与层错能的影响,筛选最大强化效应的合金体系。针对组织稳定性、强化效应、热加工性和密度,利用理论模型与热力学计算对成分空间进行筛选,建立了结合不确定性分析的支持向量回归模型,提升了屈服强度的预测精度。整个过程从2865039个合金成分中筛选出14个合金成分,最终确定Ni-17C r-8Co-1Mo-1 W-6Al-3Ti-1Nb-1 Ta（XS）作为候选合金。XS合金的制备样品显示γ’体积分数为41vol.%,密度8.485g/cm3,维氏硬度为414.1HV5。XS合金的850℃屈服强度为728MPa,高于镍基高温合金IN100、Waspaloy、Udimet500 和Inconel713C。XS 合金具有屈服强度高、组织稳定、热加工窗口宽、耐腐蚀和密度低的特点。通过量化强化机制的贡献、重组机器学习关键特征以及分析合金化效应,提出了进一步提升镍基高温合金综合性能的方案。（3）利用第一性原理计算与热力学计算,开发了高温稳定γ’+γ"双沉淀相的Ni-Al-V-Nb-Cr体系。通过第一性原理计算对比分析了应力条件下的γ’与γ"的稳定性、弹性性能和晶格错配,确定Ni3Nb与Ni3V的性能优于Ni3Al,可作为γ"相。采用高温稳定γ’+γ"双沉淀相、γ"溶解温度和耐蚀性的标准,通过热力学计算确定了 Ni-Al-V-Nb-Cr的合金体系,基于高通量热力学计算从7040个合金组合中筛选出21种合金成分,选择Ni-5Al-11V-5Nb-8Cr（DP）作为候选合金,其具有Ni3（V,Nb）的γ"相。制备的样品显示DP合金具有γ+γ’+γ"的相组成,γ"溶解温度为1152℃具有耐蚀性。维氏硬度为571.9HV5,密度为8.181g/cm3,均优于γ"强化镍基高温合金GH4169。DP合金在850℃的屈服强度为803MPa,高于传统γ’强化镍基高温合金,服役温度高于GH4169。γ’-Ni3Al+γ"-Ni3（V,Nb）双沉淀相体系有可能成为开发高强镍基高温合金的基础强化体系。（4）利用机器学习与理论模型相结合的方法研究了四种候选合金的热变形行为。建立了流变曲线的机器学习预测模型,使用少量流变曲线数据实现了对候选合金的流变曲线外推预测,对于热变形应力的预测精度,模型判定系数R2为0.986,预测的平均绝对误差为37MPa,构建了候选合金的双曲正弦型Arrhenius本构关系模型。结合动态再结晶理论模型与机器学习流变曲线所获得的参数,对四种候选合金不同热变形条件的动态再结晶体积分数进行预测,平均绝对误差为7.2vol.%,证明机器学习流变曲线可以分析动态再结品的机理。将机器学习模型与有限元模型进行对比,证明机器学习在流变曲线外推预测上具有优势,机器学习可以为镍基高温合金的热加工提供参考。