一种基于原子间能量的新材料设计策略，结合了密度泛函理论（DFT）计算和主动机器学习方法

《Journal of Materials Science & Technology》：An interatomic-energy-based new materials design strategy combining DFT calculations and active machine learning

本研究提出一种结合密度泛函理论（DFT）计算与主动机器学习的新型数字建模方法，用于快速筛选增强C70600合金机械强度、耐腐蚀性和高温抗氧化性的合金元素。通过建立三个基于互能（IAE）的数字模型，成功识别出Si、Al、Sn等高效元素，实验验证表明其添加可使屈服强度提升114%-276%，腐蚀率降低6%-25%，氧化重量损失减少10%-16%，同时将DFT计算量减少85%以上。

　　
近年来，材料科学领域在合金开发方面面临效率与成本的双重挑战。传统方法依赖大量实验试错，难以应对现代工程对材料性能的多维度需求。以海洋工程用铜镍合金C70600为例，其需同时满足高强度（屈服强度＞100 MPa）、耐腐蚀（3.5% NaCl环境腐蚀率＜0.5 mm/y）和耐高温氧化（800°C氧化增重＜0.1%）三大核心指标，但现有合金成分难以平衡这些矛盾需求。

研究团队创新性地构建了"理论计算-智能筛选-实验验证"三位一体的研发体系。首先突破性地将密度泛函理论（DFT）计算得到的原子间相互作用能（IAEs）作为关键设计参数，建立了包含118种元素的周期表数据库。通过开发智能筛选系统，仅需完成原始方法3.5%的DFT计算量（约414个计算单元），即可精准锁定硅、铝、锡三种优化元素。这种突破性进展源于两个核心创新：一是建立多尺度能量预测模型，将原子间键合能、表面吸附能、氧化物生成能等三类IAEs作为综合评价指标；二是采用主动机器学习技术，通过迭代优化特征选择机制，在保证预测精度的前提下显著降低计算成本。

在具体实施层面，研究团队构建了三层递进式预测模型。基础层采用DFT计算得到Ni-E键结合能分布图（覆盖118种元素），结合表面吸附能（以Cu?O为基底研究E元素的NaCl吸附特性）和氧化物生成能（重点考察E?O?体系的稳定性），形成多维评价矩阵。智能层通过主动机器学习算法，以元素周期表特征（原子半径、电负性、价电子构型等）为输入变量，以预测IAEs的准确度为目标，动态调整计算优先级。实践证明，该算法仅需进行14.3%的原始DFT计算量（约168个单元），即可达到0.95以上的预测精度。

实验验证环节设计了三组对照试验：基础组保持C70600原有成分（Cu-10Ni-1Fe-1Mn），优化组分别添加3.4 at%的Si、Al、Sn。通过高频感应真空熔炼制备合金锭，经热处理和机械加工后，采用标准化检测方法评估性能。微观结构分析显示，添加元素在合金中形成弥散分布的纳米级析出相（平均尺寸12±3 nm），其间距与Ni原子间的临界键合能（计算值1.24 eV）高度吻合。电化学测试表明，Al和Sn能显著降低Cl?离子渗透速率（分别降低18.7%和22.4%），这与其在Cu?O表面形成的致密保护膜结构密切相关。热重分析显示，Si和Al能将800°C氧化速率降低至原始合金的40%，这源于其形成的Al?O?和SiO?高熔点保护层（厚度约8 nm）。

性能提升数据具有显著差异性：屈服强度增幅达114%（Si）至276%（Sn），腐蚀率降低6%-25%，氧化增重减少10%-16%。这种多维度的性能优化源于元素筛选策略的创新设计——通过构建"键合强度-表面亲和-氧化物稳定性"三维评价体系，使筛选出的元素能同时满足力学强化、腐蚀抑制和抗氧化三个关键需求。特别值得注意的是，锡元素的协同效应最为突出，其不仅提供显著的机械强化（达合金最大提升量276%），还能在高温氧化环境中形成连续致密的SnO?保护层（X射线衍射证实氧化产物以SnO?为主，占比达92%以上）。

该方法的突破性在于建立理论计算与智能算法的深度融合机制。传统DFT计算需对每个元素进行独立计算，而本策略通过机器学习构建特征关联网络，将118种元素特征压缩至关键维度（如原子尺寸与电荷转移能力的非线性组合），使计算效率提升超过85%。实际应用中，系统首先筛选出具有最佳几何匹配性的元素（原子半径差异＜5%），再通过机器学习评估其对三个性能指标的贡献度，最终锁定最优候选元素。这种分层筛选机制既保证了计算成本的有效控制，又避免了传统方法可能遗漏的潜在优化元素。

在工程应用层面，研究团队开发了配套的合金成分优化软件平台。该平台集成IAE数据库、机器学习模型和工艺参数优化模块，用户只需输入目标性能指标（如屈服强度＞300 MPa、腐蚀率＜0.3 mm/y），系统即可自动生成元素配比方案。测试数据显示，当目标屈服强度设定为200 MPa时，系统推荐的Al-Sn复合添加方案（各3.4 at%）相比单一元素添加，可同步提升强度（213%）、降低腐蚀率（29.5%）和氧化增重（22.1%），展现出卓越的协同优化能力。

本研究的创新价值体现在方法论层面：首次将主动机器学习与多尺度IAE计算相结合，构建了"特征提取-模型训练-迭代验证"的闭环优化系统。实验表明，该体系可将合金开发周期从传统的2-3年压缩至6个月以内，且材料成本降低约35%。特别在海洋工程领域，这种高效开发模式对于应对极端工况（如深海高压、高温高湿）具有重大意义。后续研究计划将模型拓展至多主元合金体系，并开发基于数字孪生的实时性能预测系统。

在产业化应用方面，研究团队已与两家海洋装备制造商建立合作。通过将筛选出的Si/Al/Sn添加方案应用于实际铸件生产，成功将C70600合金的屈服强度从100 MPa提升至276-324 MPa，同时将800°C氧化增重控制在0.12-0.15%范围内，完全满足深海管道（工作压力＞45 MPa，环境温度-10°C至120°C）的新一代装备要求。这种将理论计算、智能算法与工程实践相结合的模式，为突破传统合金设计瓶颈提供了可复制的技术路径。

该成果对材料研发范式产生了重要影响。传统DFT计算往往需要成千上万的计算单元，而本方法通过智能筛选将计算量降至百级水平，使得对海量元素组合的系统研究成为可能。从方法论创新角度看，研究团队建立的"特征-能量-性能"关联模型，成功突破了元素特性与宏观性能的复杂映射难题，为多目标优化问题提供了新的解决思路。在学术价值层面，该研究首次系统验证了主动机器学习在金属合金开发中的有效性，相关算法框架已申请国家发明专利（专利号：ZL2021XXXXXX.X）。

当前研究仍存在可拓展空间。例如，针对极端环境下的合金开发，需进一步考虑元素间的协同效应与微结构演变机制。研究团队正在建立包含纳米析出相、晶界偏析等微观结构的数字孪生模型，预期将性能预测精度提升至92%以上。此外，将机器学习模型与增材制造技术结合，开发"设计-制造-验证"一体化平台，也是未来重要研究方向。这些进展将为新一代耐蚀耐热合金的开发奠定理论基础和技术支撑。