揭示高熵合金的高保真相位选择规则：结合 CALPHAD 和机器学习研究
时间：2021-12-31 09:53 来源：西安交通大学机械制造系统工程国 作者：admin 阅读：次
近年来，机器学习 （ML） 方法发展迅速，有望借此探索高熵合金的成型过程和稳定性。在此基础上虽然取得了一定的成果，但仍存在一些缺点。首先，机器学习模型是在成分空间有限的数据集上进行训练的，这些数据集一般只包含几百个关于铸造或锻造成型的合金微观结构实验数据。其次，机器学习模型往往是一个"黑匣子"，在高熵合金设计中往往找不到简单有效的规则。因此，对于高熵合金设计，特别需要从机器学习中获取高保真的相位选择规则。 基于此，2020年12月，新加坡科学科学、技术研究机构的高性能计算研究所通过相图计算技术，生成了关于Al、Co、Cr、Cu、Fe、Mn、Ni、Ti等八种元素超过30万个的数据点，并选择15种描述参数，最终通过极大梯度法训练机器学习模型，得到了五个最关键的参数分别如图1所示。
图1. 15个参数的权重分布图。
增材制造技术在航空航天、国防、汽车和医疗植入等领域的各种应用中不断发展。选择性激光熔化技术（SLM）和激光金属沉积（LMD）技术是增材制造技术中广泛探索的两种主要方法。但是由于“阶梯效应”和粉末粘附在表面上，导致SLM和LMD成型出的金属零件表面质量非常差，需要进一步的表面处理才能够应用。而传统的机械研磨和化学抛光有许多缺点：机械抛光难以在复杂表面上实现，电化学抛光是一种非选择性过程。激光抛光作为一种新型表面处理方法具有工艺持续时间短、重复性高、无磨料等优点，但是对于LMD成型的具有大波纹的零件表面，激光抛光的小熔区往往不能直接去除表面的波纹和大凸起。而Hong
Shen提出的两步的激光表面处理方法就可以很好地解决这个问题。
图2. 机器学习混合矩阵的结果，(a).训练数据集；(b).测试数据集。
模型的整体预测精度显示在矩阵的右下角，可以看到训练数据集的准确率高达99.95%，而测试数据集的准确率也有99.92%，这么高的准确率表明基于这五种特征的机器学习模型有很好的效果，这对指导单相FCC、BCC高熵合金的设计，寻找新型单相合金材料提供了更有效的规则和设计工具。参考文献：
BHANVADIA A A, FARLEY R T, NOH Y, et al. High-resolution stereolithography using a static liquid constrained interface [J]. Commun Mater, 2021, 2(1):
(责任编辑：admin)
Xact Metal与Addiguru联合
NASA：持续推动太空3D打印
粘结剂喷射3D打印水雾化低
100多年历史上第一次，尼
强度961MPa，延伸率37.5%
被收购后，Dinsmore创始人最新内容
创想三维Sermoon 
国际增材制造标准
美国空军基地60MX
HII获得NAVSEA认
只需60天，85%部
Evove获690万美元热点内容
