自然语言处理与机器学习融合的合金设计新范式：低成本高性能镍基单晶高温合金的突破性进展

《npj Computational Materials》：Alloy design integrating natural language processing and machine learning: breakthrough development of low-cost, high-performance Ni-based single-crystal superalloys

为解决传统高温合金设计依赖试错实验、周期长成本高的问题，研究人员开展了集成自然语言处理(NLP)与机器学习(ML)的智能合金设计研究。通过开发领域专用NLP模型Superalloy-MatSciBERT自动提取文献中γ′相溶解温度数据，构建高质量数据库并训练SVR.rbf和ANN预测模型，成功设计出新型低成本合金CSU-S1。该合金在1100°C/137 MPa条件下蠕变寿命达224.7小时，性能媲美第三代单晶高温合金，而铼含量仅3.1 wt%、成本121 USD/kg。该研究建立了“知识到创新”的材料设计新范式，为先进工程材料研发提供了高效新途径。

　　

在航空航天和能源领域，镍基单晶高温合金犹如守护涡轮发动机的“铠甲”，其性能直接决定发动机的推力和效率。传统合金设计如同大海捞针，科研人员需要经过无数轮试错实验，耗费数年时间才能筛选出合适的成分组合。更棘手的是，关键性能参数如γ′相溶解温度（γ′ solvus temperature，即强化相开始溶解的温度）散落在数十年的文献中，手工收集这些数据犹如拼凑一幅巨大的拼图，严重制约了新材料开发效率。

面对这一挑战，中南大学粉末冶金国家重点实验室的研究团队另辟蹊径，将自然语言处理（NLP）与机器学习（ML）技术深度融合，开创了智能合金设计新范式。他们开发的Superalloy-MatSciBERT模型能像专业材料学家一样“阅读”海量文献，自动提取γ′相溶解温度等关键数据，构建了包含135个实验测量值的高质量数据库。基于这些数据训练的SVR.rbf模型对γ′相溶解温度的预测精度（R²=0.947）甚至超越了商业热力学软件Pandat（R²=0.868）。

研究团队进一步构建了人工神经网络（ANN）模型，将成分、温度、应力等14个参数与蠕变寿命关联，预测精度达到R²=0.944。利用这一“数字炼金术”，他们对34.56万种虚拟成分进行高通量筛选，综合考虑密度（<8.9 g/cm³）、成本（<122 USD/kg）、微观结构稳定性（Md<0.982 eV）和热处理窗口（>55°C）等多重约束，最终锁定了最优成分CSU-S1。

实验验证结果令人振奋：CSU-S1的γ′相溶解温度达1298.2°C，与预测值（1301.3°C）高度吻合；在1100°C/137 MPa苛刻条件下的蠕变寿命达224.7小时，性能媲美第三代商用合金DD9。更难得的是，其铼含量仅3.1 wt%，成本降至121 USD/kg，成功打破了高性能必然高成本的“魔咒”。透射电镜分析揭示了其优异性能的微观机制：横向筏化的γ′相有效阻碍位错运动，而Cr/Co偏聚稳定的超晶格外在堆垛层错（SESF）提供了局部塑性协调能力。

这项发表于《npj Computational Materials》的研究，不仅交付了一款具有实用价值的高温合金，更重要的是建立了从文献知识到材料创新的完整闭环。该范式可推广至其他材料体系，为加速先进工程材料研发提供了新路径。

关键技术方法包括：通过CrossRef API和专利数据库获取5万余篇文献构建语料库；开发基于MatSciBERT的NLP框架（包含句子分类、命名实体识别和关系提取三个模块）自动提取材料性能数据；采用支持向量回归（SVR.rbf）预测γ′相溶解温度和固相线温度；构建人工神经网络（ANN）模型预测蠕变寿命；建立高通量筛选流程评估34.56万种虚拟合金成分。

理性驱动数据方法

通过分析六代单晶高温合金的演化规律，发现γ′相溶解温度与1100°C/137 MPa条件下的蠕变寿命存在显著正相关（R²=0.94），但并非直接决定因素。这表明γ′相溶解温度更适合作为合金高温能力的代理指标，而非蠕变寿命的直接预测因子。线性回归模型预测γ′相溶解温度的精度有限（R²=0.7819），凸显了需要更精确的预测方法。

Superalloy-MatSciBERT框架

开发的三阶段NLP流程在测试集上达到句子分类F1=0.990、命名实体识别F1=0.913、关系提取F1=0.895的优异性能，显著优于基准模型。该框架成功从文献中提取135个实验测量的γ′相溶解温度值，为后续机器学习建模奠定数据基础。

数据库构建与机器学习预测模型

基于NLP提取的数据构建结构化数据库，包含135个γ′相溶解温度和124个固相线温度测量值。SVR.rbf模型在预测γ′相溶解温度（R²=0.947）和固相线温度（R²=0.949）方面表现最佳。SHAP分析显示Ta和W对γ′相溶解温度贡献最大，但需注意这些统计模式反映的是历史合金设计实践而非纯物理效应。

合金设计工作流程

通过多约束条件（密度、成本、微观结构稳定性、热处理窗口）筛选34.56万种虚拟成分，最终获得4.86万个候选合金。ANN模型预测不同服役条件下的蠕变寿命，通过帕累托前沿分析选定CSU-S1合金，其成分为Al 5.6, Co 10.8, Cr 4.0, Mo 1.7, Re 3.1, Ta 6.6, Nb 0.05, W 8.0, Ni余量（wt%）。

合金制备与性能验证

采用螺旋选晶法制备[001]取向CSU-S1单晶棒材，经过多级固溶处理（1300°C/2h+1310°C/4h+1313°C/12h）和双级时效处理，获得立方状γ′相的双峰尺寸分布（平均尺寸0.33±0.09μm）。DSC测量显示γ′相溶解温度为1298.2°C，与预测值高度吻合。HAADF-STEM和EDS分析证实了元素的正常分配：Al富集于γ′相，Co和Cr优先分配至γ矩阵。

高温蠕变行为与变形机制

CSU-S1在1100°C/137 MPa条件下表现出长达220小时的低蠕变速率。Larson-Miller参数分析表明其性能达到第三代合金水平。热力学计算显示，在1100°C时CSU-S1保持54.21%的γ′相分数，固溶强化指数（I_SSS）达12.88 at%，均优于对比合金。在980°C时，其反相界能（APB）为0.223 J/m²，堆垛层错能（SFE）为0.208 J/m²，解释了其优异的蠕变抗力。

变形机制分析

TEM观察发现980°C蠕变后形成横向筏化γ′相，界面处有位错网络积累。高分辨成像显示γ′相内存在孤立的超晶格外在堆垛层错（SESF），其核心处Cr和Co富集而Al贫化。这种变形机制以界面钉扎位错运动为主，辅以局部SESF形成，使合金在保持高蠕变抗力的同时具备良好塑性。

研究通过整合自然语言处理与机器学习技术，成功建立了从文献数据挖掘到合金实验验证的完整设计闭环。开发的Superalloy-MatSciBERT框架有效解决了材料数据提取的瓶颈，而多模型协同的预测体系实现了成分-性能关系的高精度映射。CSU-S1合金的优异表现证实了该方法的有效性，其低铼含量（3.1 wt%）和低成本（121 USD/kg）特性展示了工程应用潜力。微观机制分析揭示了横向筏化和堆垛层错协同作用的变形机制，为理解高性能合金的力学行为提供了新见解。这项研究不仅推动了高温合金设计方法的革新，更重要的是建立了一种可推广的“知识到创新”范式，通过挖掘历史文献中的隐性知识，加速先进材料的智能化开发进程。