人工神经网络在利用报废轮胎回收的炭黑开发弹性体复合材料配方中的应用

《Journal of Materials Research and Technology》：APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE DEVELOPMENT OF ELASTOMERIC COMPOSITE FORMULATIONS WITH RECOVERED CARBON BLACK FROM END-OF-LIFE TIRES

高熵合金（HEAs）的机械性能高度依赖制造工艺，不同方法（如熔炼、机械合金化、增材制造）对微观结构和性能的影响显著。例如，SPS处理的合金强度比熔炼方法高20-45%，而SLM因快速凝固细化晶粒，但可能引入各向异性和孔隙。工艺参数（冷却速率、烧结温度）和后处理（热等静压）对相稳定性和性能平衡起关键作用。机器学习虽能预测加工参数与性能的关系，但受限于数据不足和模型可解释性。研究强调需结合工艺优化与成分设计，系统评估制造方法对HEAs性能的影响。

　　高熵合金（High-entropy alloys, HEAs）是一种近年来在材料科学领域备受关注的新型合金材料，其独特的性能组合使其在极端环境应用中展现出巨大的潜力。这类合金通常由五种或更多主要元素组成，通过高熵效应、晶格畸变、缓慢扩散以及混合效应等核心特性，使其在强度、耐腐蚀性和热稳定性方面优于传统合金。然而，尽管HEAs的化学设计是其性能的重要决定因素，但制造工艺对微观结构和机械性能的影响同样显著，甚至可能与化学组成具有同等的重要性。因此，理解并优化制造工艺对于充分发挥HEAs的性能潜力至关重要。

制造工艺不仅影响合金的微观结构，还通过控制冷却速率、热梯度、致密化策略等参数，对相稳定性、晶粒尺寸、缺陷密度以及取向等关键特性产生深远影响。不同的制造方法，如电弧熔炼、感应熔炼、机械合金化、火花等离子烧结（SPS）、选择性激光熔融（SLM）以及定向能量沉积（DED）等，均在不同程度上塑造了HEAs的性能表现。例如，通过SPS处理的合金，其屈服强度和抗拉强度通常比电弧熔炼的合金高出20%至45%，而Bridgman凝固则能产生接近单晶结构的合金，其断裂伸长率超过80%。相比之下，SLM虽然能够生成细小的微观结构，但也可能引入各向异性和孔隙，导致其屈服强度在100至600 MPa之间变化较大。

电弧熔炼作为一种常见的制造方法，虽然具有成本低、操作简便和高效混合的优势，但也存在冷却速率控制有限、枝晶结构和成分偏析等问题，这些问题可能会导致合金的性能不稳定。而感应熔炼则在一定程度上解决了这些局限，其较慢的凝固速率有助于形成更均匀的晶粒结构，但也可能引入第二相或导致晶粒粗化。Bridgman凝固则通过精确控制热梯度，能够实现单晶或柱状晶结构，这在需要高蠕变强度和减少晶界效应的应用中具有优势。然而，Bridgman凝固过程耗时长、成本高，且难以完全抑制成分偏析，因此其应用主要局限于研究领域。

在加工商应用中，如选择性激光熔融（SLM）和定向能量沉积（DED），通过快速凝固能够有效保留高熵效应和晶格畸变，从而获得高强度和高硬度的微观结构。然而，这些方法也可能引入孔隙、残余应力和各向异性，这在需要高延展性和韧性的应用中可能成为挑战。因此，通过热等静压（HIP）等后处理技术可以进一步改善这些缺陷，但同时也可能带来晶粒粗化和延展性下降的问题。机械合金化（MA）作为一种固态加工方法，能够通过高能球磨实现不同熔点元素的均匀混合，但其主要产物为粉末，需要进一步致密化处理才能用于结构应用。SPS作为一种快速致密化技术，能够有效抑制晶粒生长和成分偏析，从而保留纳米结构和高硬度，但其在工业规模上的应用受到设备尺寸和成本的限制。

不同制造方法对HEAs的性能影响不仅体现在微观结构的差异上，还体现在合金的相组成和热力学行为上。例如，AlNiFeCrCo合金在不同制造条件下表现出不同的相稳定性，其中电弧熔炼的样品主要为体心立方（BCC）结构，而SPS处理的样品则可能在热处理过程中发生部分BCC向面心立方（FCC）的转变，这取决于热处理的温度和时间。类似地，MoNbTaTiV合金在SPS处理下表现出更高的压缩强度，这与细晶粒结构和均匀分布的纳米颗粒有关，而真空电弧熔炼（VAM）的样品则因枝晶结构和成分偏析导致其性能相对较弱。此外，NbMoTaW合金在室温下表现出较高的脆性，其断裂韧性临界温度（DBTT）高于室温，这限制了其在需要延展性和抗突然断裂的应用中的适用性。然而，通过引入纳米陶瓷颗粒或优化烧结温度，可以显著改善其性能。

在某些情况下，制造工艺甚至能够通过调整微观结构来改变合金的机械性能。例如，AlCrFeMnNi合金在电弧熔炼后通过退火处理，其微观结构和硬度均发生了显著变化。随着退火温度的升高，枝晶间距变粗，硬度降低，表明合金的变形行为逐渐从脆性转向韧性。这一现象强调了制造工艺在调控HEAs性能中的关键作用。此外，AlCoCrFeNiTi合金通过真空电弧熔炼制造，并结合机器学习模型预测其相稳定性，展示了如何通过优化制造参数来增强合金的性能。

机器学习和人工智能技术正在为HEAs的制造优化提供新的可能性。通过将物理模型（如CALPHAD）与数据驱动的算法相结合，可以更准确地预测相稳定性和机械性能，特别是在实验数据有限的情况下。这些方法不仅能够加速材料发现过程，还能指导实验设计，减少不必要的实验次数。例如，机器学习模型可以预测SLM工艺中的孔隙率、晶粒尺寸和硬度，从而优化制造参数以获得所需的机械性能。此外，通过深度学习模型预测合金的磨损性能，可以快速筛选出适用于磨损敏感应用的HEAs，如涂层和结构部件。

尽管机器学习和人工智能在HEAs研究中展现出巨大潜力，但仍然面临诸多挑战。首先，HEAs的实验数据相对稀少且不一致，这限制了模型的泛化能力和可靠性。其次，许多深度学习模型具有“黑箱”特性，缺乏对预测结果的机理解释，这在推动科学理解和促进技术应用方面存在障碍。因此，未来的发展需要在数据整理、模型透明性和与传统方法的结合方面取得突破，以实现HEAs制造的全面优化。

综上所述，高熵合金的性能不仅取决于其化学组成，还与制造工艺密切相关。不同的制造方法对合金的微观结构、相组成和热力学行为产生不同的影响，进而决定其机械性能。因此，在设计和应用HEAs时，必须综合考虑化学组成和制造工艺，以实现最佳性能。随着制造技术的进步和机器学习方法的应用，未来有望实现更精确的性能调控，推动HEAs在极端环境下的广泛应用。