数据驱动机器学习优化HVAF喷涂Fe基非晶合金涂层的腐蚀防护性能

为解决热喷涂非晶合金涂层孔隙率难以控制、腐蚀性能不稳定的问题，中国科学院研究人员采用高通量制备结合AutoGluon、FLAML和TPOT三种自动化机器学习算法，建立了336组样本数据集，开发出孔隙率（R2=0.91）和耐蚀天数（R2=0.98）的高精度预测模型。通过11,039组参数空间优化，获得孔隙率<0.5%、耐蚀超100天的涂层，为高性能涂层可控制备提供创新方案。

　　

在海洋工程、化工设备等苛刻环境中，金属部件的表面防护一直是材料科学的重大挑战。Fe基非晶合金涂层因其无晶界缺陷、成分均一等特性展现出卓越的耐蚀潜力，但传统热喷涂技术（如高速空气燃料HVAF）制备过程中难以避免的孔隙缺陷，成为制约其工程应用的"阿喀琉斯之踵"。这些微米级孔隙不仅会破坏钝化膜的完整性，引发点蚀萌生，更可能形成腐蚀介质渗透通道，导致基体快速失效。尽管通过调节燃料流量、喷涂距离等工艺参数可调控涂层结构，但多参数耦合作用的复杂性使得传统试错法或单粒子沉积模型难以实现精准优化。

针对这一瓶颈，中国科学院的研究团队创新性地将高通量实验与自动化机器学习（AutoML）相结合，在《Journal of Materials Science》发表了一项突破性研究。该工作通过HVAF技术制备了336组FeCrMoNiPCSi非晶涂层样本，系统采集了燃料/空气流量、送粉速率等工艺参数与孔隙率、电化学阻抗等性能数据。采用AutoGluon、FLAML和TPOT三种先进算法，首次实现了工艺参数-性能关系的双目标建模，其中耐蚀天数预测模型的R2高达0.98。基于模型预测，研究团队在11,039组参数构成的插值空间中锁定了最优工艺窗口，制备出孔隙率仅0.35%的涂层，其阻抗模值在50天浸泡中保持稳定，100天后仍无锈蚀现象。

关键技术方法包括：1）高通量HVAF喷涂制备336组Fe基非晶涂层样本；2）AutoML算法自动优化机器学习模型；3）电化学阻抗谱（EIS）评估长期耐蚀性；4）扫描电镜（SEM）定量分析飞溅粒子形貌。

【Microstructure of high-throughput prepared coatings】
通过SEM分析发现，优化后的涂层中盘状扁平粒子（disk-like splat）比例超过75%，显著高于常规涂层的50%。这种致密堆叠方式有效阻断了孔隙连通路径，X射线断层扫描显示孔隙尺寸集中在1-5μm范围。

【Understanding the influence of process parameters on coating structure】
韦伯数（Weber number）和雷诺数（Reynolds number）分析表明，当粒子飞行速度达650m/s、温度处于玻璃转变温度T_g以上50℃时，熔滴铺展充分性提升37%，飞溅现象减少。燃料流量与喷涂距离的交互作用对粒子状态影响最显著，贡献度达42%。

【Conclusions】
该研究建立了热喷涂领域首个多目标AutoML优化框架，突破传统方法参数寻优效率低的局限。通过量化工艺-结构-性能关系，证实降低孔隙率至0.5%以下可使涂层点蚀电位提升200mV。特别值得注意的是，研究首次发现盘状扁平粒子占比与耐蚀性存在阈值效应——当比例超过75%时，涂层阻抗模量出现阶跃式增长。这项成果为航天发动机叶片、深海装备等关键部件的表面防护提供了可工程化的解决方案，同时为材料基因工程在高通量涂层开发中的应用树立了新范式。