通过机器学习解码含钨耐火高熵合金在高温氧化条件下的重量增加模式

《Journal of Materials Research and Technology》：Decoding weight-gain patterns in tungsten-containing refractory high-entropy alloys under high-temperature oxidation through machine learning

钨含量对AlCrFeMnNiWx高熵合金850℃氧化行为的影响及机器学习预测模型研究。通过XRD、Raman和SEM分析发现，0.05W和0.1W合金具有最低的氧化速率常数（1.5×10^-10和1.4×10^-10 g2/cm?·s），过量W（0.5W）导致氧化物脱落和氧化速率上升至8.6×10^-10 g2/cm?·s。随机森林模型（R=0.999）最佳，为高熵合金设计提供数据驱动方法。

　　高熵合金（High-Entropy Alloys, HEAs）近年来在材料科学领域引起了广泛关注。这类合金由五种或更多元素以近等摩尔比例组成，具有独特的微观结构和优异的性能，包括高硬度、良好的抗氧化性以及出色的高温强度。HEAs在极端环境下的应用潜力使其成为航空航天、能源等关键行业的理想材料。然而，尽管其性能卓越，HEAs在高温氧化环境下的表现仍然是研究的重要课题，因为氧化行为直接影响其服役寿命和性能稳定性。为此，研究人员通过实验和机器学习方法对含钨高熵合金的高温氧化行为进行了系统研究，旨在揭示钨含量对氧化行为的影响机制，并开发出高效的预测模型，为合金设计提供指导。

在实验部分，研究团队制备了四种不同钨含量的AlCrFeMnNiWx高熵合金，分别标记为WHEA0（不含钨）、WHEA0.05（0.05%钨）、WHEA0.1（0.1%钨）和WHEA0.5（0.5%钨）。这些合金通过高能球磨和火花等离子烧结（Spark-Plasma Sintering, SPS）工艺制造，确保了均匀的微观结构和良好的致密性。随后，利用X射线衍射（XRD）、扫描电子显微镜（SEM）和能量色散X射线光谱（EDS）等技术对氧化后的样品进行了详细表征。XRD分析表明，随着钨含量的增加，合金的氧化物组成发生了显著变化，其中小量的钨促进了BCC结构的稳定性和有序相的形成，而过量的钨则可能导致氧化物结构的复杂化和不稳定性。SEM图像显示，不同钨含量的合金在氧化后形成了不同形态的氧化层，其中0.1%钨含量的合金表现出最稳定的氧化层结构，而0.5%钨含量的合金则因氧化层的不稳定和剥落现象导致氧化速率增加。EDS分析进一步证实了氧化层中元素的分布情况，表明适量的钨能够促进形成富含Al和Cr的保护性氧化层，而过量的钨则可能影响氧化层的附着力和均匀性。

在机器学习模型的应用方面，研究团队构建了一个包含多种算法的预测框架，用于分析氧化过程中质量增益的变化。所采用的算法包括随机森林（Random Forest, RF）、K近邻（K-Nearest Neighbors, KNN）、决策树、深度神经网络（Deep Neural Networks, DNN）、人工神经网络（Artificial Neural Networks, ANN）、AdaBoost、CatBoost和循环神经网络（Recurrent Neural Networks, RNN）。这些模型通过处理实验数据，能够揭示合金成分、氧化温度和暴露时间等变量与氧化行为之间的复杂关系。研究发现，随机森林算法在预测质量增益方面表现最佳，其相关系数（R）达到了0.999，表明该模型具有极高的预测准确性和稳定性。此外，模型的性能评估指标，如均方误差（Mean Squared Error, MSE）和决定系数（R2），进一步验证了模型的有效性。通过比较不同模型的预测结果，研究团队确定了随机森林在处理非线性关系和特征交互方面具有显著优势，这使其成为预测高熵合金氧化行为的首选方法。

该研究的实验数据来源于高熵合金在850 °C下的等温氧化测试。通过热重分析（Thermogravimetric Analysis, TGA）测量了氧化过程中样品的质量变化，并结合XRD和Raman光谱分析了氧化层的组成和结构。研究发现，适量的钨添加能够显著降低氧化速率常数，表明其对氧化层稳定性具有积极影响。然而，当钨含量超过一定阈值时，氧化速率反而增加，这可能与氧化层的不均匀性和应力积累有关。实验结果进一步表明，WHEA0.1（0.1%钨）表现出最佳的抗氧化性能，而WHEA0.5（0.5%钨）由于氧化层的不稳定性导致氧化速率升高。这种现象说明，钨在高熵合金中的作用并非线性，而是存在一个最佳含量范围，使得氧化层既具有足够的致密性，又能够有效抑制氧化过程。

为了更全面地理解氧化行为的机制，研究团队结合了实验表征与机器学习分析。XRD和Raman光谱分析表明，随着钨含量的增加，氧化层中出现了更多的复杂相，如Mn?O?、CrO?和Cr?O?，这可能与合金元素在氧化过程中的扩散行为和反应路径有关。SEM图像则进一步揭示了氧化层的微观结构，其中适量钨添加的合金形成了更均匀和致密的氧化层，而过量钨则导致氧化层的不均匀分布和局部剥落现象。这些结果表明，适量的钨能够促进形成具有保护性的氧化层，而过量的钨则可能破坏氧化层的结构完整性，从而降低材料的抗氧化能力。

研究团队还通过机器学习模型对氧化速率常数进行了预测，并将实验数据与模型预测结果进行了对比分析。结果显示，模型能够准确预测不同钨含量合金的氧化行为，尤其是在低含量范围内，其预测误差较小。这表明，机器学习不仅能够提供有效的预测工具，还能帮助研究人员理解合金成分与氧化行为之间的内在联系。此外，研究还发现，氧化过程中的质量增益曲线呈现出非抛物线特征，尤其是在氧化初期，由于氧化物的形成和生长需要一定时间，质量增益的变化速率并不恒定。随着氧化时间的延长，质量增益逐渐趋于稳定，这与氧化层的形成和生长机制密切相关。

该研究的结论表明，适量的钨添加能够显著提高高熵合金的抗氧化性能，而过量的钨则可能导致氧化层的不稳定和剥落，降低材料的耐久性。通过结合实验数据和机器学习模型，研究人员不仅揭示了钨含量对氧化行为的影响机制，还为高熵合金的设计提供了新的思路。未来的合金开发可以借助机器学习技术，通过分析大量实验数据，优化合金成分和结构，从而实现更高效的抗氧化性能。此外，该研究还强调了机器学习在材料科学中的广泛应用前景，特别是在处理复杂非线性关系和预测材料性能方面，能够为材料设计和工程应用提供有力支持。