增材制造冶金学引导的机器学习设计多功能合金框架及其性能验证

本研究针对增材制造（AM）缺乏专用合金的问题，提出了一种融合高通量热力学计算（CALPHAD）与机器学习（ML）的合金设计框架，优化了凝固冻结区间（SFR）、生长限制因子（GRF）等AM关键性能指标。通过激光定向能量沉积（LDED）验证，新型Fe-Cr-Co-C合金展现出强度（1062-1769 MPa）与延展性（2.1%-11.7%）的可调协同效应，为AM专用材料开发提供了数据驱动新范式。

　　

增材制造（AM）技术因其可直接成型复杂几何构件的优势引发工业革命，但传统合金难以匹配AM特有的非平衡凝固和层间热循环过程，导致性能调控受限。这一矛盾凸显了开发AM专用合金的紧迫性。中国的研究团队创新性地将冶金学原理与机器学习结合，构建了从性能预测到成分优化的全链条设计框架。

研究采用高通量热力学模拟（CALPHAD）生成包含凝固冻结区间（SFR）、碳化物析出速度（PSC）等关键参数的数据库，通过随机森林等ML算法建立代理模型。基于多目标优化算法（如NSGA-II）和TOPSIS决策方法，筛选出最优的Fe-Cr-Co-C马氏体不锈钢成分。实验验证阶段利用激光定向能量沉积（LDED）制备样品，结合同步辐射等表征技术证实了设计目标的有效性。

AM冶金学导向性能数据库构建
通过Thermo-Calc软件（TCFE9/MOBFE5数据库）计算了10⁵量级成分点的SFR、GRF等参数，发现碳含量对PSC具有指数级影响，为ML模型提供了物理约束。

LDED制备新型合金的性能评估
显微组织分析显示打印策略可调控板条马氏体宽度（50-200 nm）和纳米碳化物分布。力学性能呈现显著可调性：高能输入策略获得1769 MPa屈服强度，而低热输入策略实现11.7%均匀延伸率，这种"强度-塑性倒置"现象源于热循环诱导的位错密度梯度演化。

结论与意义
该研究首次将AM冶金特性（如本征热循环）量化为可计算的物理参数，并通过ML实现多目标协同优化。设计的合金展现出传统工艺难以实现的性能组合，其快速析出动力学特性（PSC>10^-3 s^-1）为AM过程原位强化提供了新机制。这项工作发表于《Materials Today》，为开发下一代AM专用材料建立了可扩展的数据驱动方法论，特别对航空航天关键部件的高效开发具有指导价值。