基于无监督学习和有监督学习，加速了L1型2相强化Co-Ni-Cr-Al-Cu-Ti高熵合金的设计与性能验证过程

《Journal of Materials Science & Technology》：Accelerated design and property validation of L1 2-strengthened Co-Ni-Cr-Al-Cu-Ti high-entropy superalloys based on unsupervised and supervised learning

高熵合金（HEAs）通过多主元设计突破传统合金限制，本文提出融合第一性原理计算与机器学习（ML）的新策略，成功开发出Co38Cr23Ni22Al6Ti6Cu5高熵超合金，其700℃压缩屈服强度达633MPa，L1?相溶解温度1030℃，熔点1220℃，揭示了Cu对L1?相稳定的关键作用及过量Cu的负面影响。

　　高熵合金（High-Entropy Alloys, HEAs）是一种新型材料，其特点在于摒弃了传统合金中“主元素”和“合金元素”的区分，通过多种主元素在相近或相等的原子比例下组成，从而赋予材料独特的性能。近年来，HEAs在高温性能、强度和耐腐蚀性方面展现出巨大潜力，尤其是在航空发动机、燃气轮机等极端环境应用中。然而，由于HEAs包含多个主元素，其组成设计空间大幅拓展，这给传统的试错法带来了显著挑战。因此，如何高效地筛选和优化HEAs的成分，成为当前材料科学领域的重要课题。

为了解决这一问题，研究团队提出了一种整合策略，结合第一性原理计算与无监督和监督机器学习（Machine Learning, ML）方法，以加速L1?强化的Co-Ni-Cr-Al-Cu-Ti高熵超合金（High-Entropy Superalloys, HESAs）的设计与开发。该方法首先利用机器学习技术识别出具有强化作用的元素，然后通过热力学计算进一步筛选出可能的候选成分。最后，通过实验验证这些优化后的合金的力学性能和微观结构特征。这种方法不仅提高了设计效率，还为高熵超合金的开发提供了新的思路。

在HESAs中，L1?相的稳定性对于材料的高温性能至关重要。Cu元素在其中扮演了关键角色，它有助于稳定L1?相，从而提高合金的强度和高温稳定性。然而，Cu的含量如果过高（超过5原子%），则可能对合金的熔点和机械性能产生负面影响。因此，在设计过程中，如何合理控制Cu的含量，成为提升HESAs性能的关键之一。研究团队通过该方法成功设计出Co38Cr23Ni22Al6Ti6Cu5合金，该合金在700°C时表现出633 MPa的压缩屈服强度，L1?溶析温度为1030°C，熔点为1220°C。这些数据不仅验证了该方法的有效性，也为高熵超合金的进一步研究提供了重要参考。

传统的超合金通常以单一主元素为基础，如Fe、Ni或Co。这些合金的γ-γ'双相结构在高温下保持了良好的机械性能和结构稳定性。然而，随着对高性能材料需求的不断增长，传统的单一主元素设计方式已经难以满足新的要求。例如，Ni基超合金虽然具有较高的熔点和良好的高温性能，但其L1?相的稳定性仍存在提升空间。而Co基超合金虽然在高温下表现出优异的性能，但在L1?相的稳定性、溶析温度和机械性能方面仍有较大的改进潜力。因此，开发多主元素组成的高熵超合金，成为解决这一问题的重要途径。

高熵合金的概念最早由Yeh等人于2004年提出，其特点是含有超过五种主元素，并且这些元素的原子比例相近。这种组成方式不仅增加了材料的结构复杂性，也使得其性能表现出高度的可调控性。然而，由于组成空间的扩大，传统的第一性原理计算方法在处理多元素合金时变得不够高效，尤其是在需要预测材料的弹性模量、热稳定性等关键性能时。因此，如何利用机器学习技术，结合热力学计算和实验验证，成为提升高熵合金设计效率的关键。

在高熵合金的设计过程中，机器学习技术被用于识别和筛选具有强化作用的元素。无监督学习能够从无标签的数据中发现隐藏的模式，而监督学习则需要有明确的目标属性和高质量的训练数据。通过这两种学习方式的结合，研究团队能够快速识别出对L1?相稳定性有显著影响的元素，如Cu和Ti。同时，监督学习还能预测合金的机械性能，如压缩屈服强度和弹性模量，从而为后续的热力学计算和实验验证提供依据。

热力学计算在HESAs的设计中起到了至关重要的作用。它能够预测合金的相变行为、溶析温度以及相体积分数等关键参数。这些参数不仅影响合金的微观结构，还直接决定了其宏观性能。例如，Cr元素在γ相中取代Co，有助于提高合金的氧化和耐腐蚀性能，同时还能减少γ和γ'相之间的晶格失配，从而增强材料的蠕变强度。然而，过量的Cr元素可能会降低L1?相的稳定性，并促进杂质的析出。因此，在设计过程中，如何平衡Cr的含量，成为提升合金性能的重要考量。

此外，弹性模量是衡量材料性能的重要指标之一。其中，体积模量反映了材料对体积压缩的抵抗能力，而杨氏模量则衡量了材料在单向变形下的刚度。压缩强度是材料在承受轴向压缩载荷时的性能表现，因此它与体积模量和杨氏模量密切相关。体积模量越高，材料对压缩应力的抵抗能力越强，而杨氏模量则决定了材料在初始变形阶段的响应，进而影响材料的失效机制。因此，在设计高熵合金时，如何优化这些弹性模量参数，成为提升材料性能的关键。

随着人工智能和大数据技术的发展，这些技术在材料科学领域的应用日益广泛。机器学习不仅能够加速材料的发现和设计，还能提高材料性能预测的准确性。例如，监督学习可以利用已有的实验数据和理论计算结果，建立预测模型，从而快速筛选出具有优异性能的合金成分。无监督学习则能够从复杂的材料数据中发现隐藏的规律，为后续的优化提供新的方向。

在高熵合金的设计过程中，研究团队通过机器学习技术筛选出可能的强化元素，并结合热力学计算进一步优化合金的组成。最终，通过实验测试验证了这些优化后的合金的压缩性能和微观结构特征。这种方法不仅提高了设计效率，还为高熵合金的开发提供了新的思路。例如，在Co-Ni-Cr-Al-X系统中，X代表其他可能的主元素，如Cu或Ti。这些元素的加入不仅扩大了合金的组成空间，还可能对L1?相的稳定性产生积极影响。

此外，高熵合金在高温下的性能表现与其微观结构密切相关。L1?相的稳定性不仅决定了材料的高温性能，还影响其机械强度和耐腐蚀性。因此，在设计过程中，如何优化L1?相的稳定性，成为提升高熵合金性能的关键。研究团队通过机器学习技术预测了不同元素对L1?相稳定性的影响，并结合热力学计算进一步验证了这些预测结果。这种方法不仅提高了设计效率，还为高熵合金的进一步研究提供了重要依据。

为了进一步验证HESAs的性能，研究团队进行了系统的实验测试。这些测试包括在常温和高温下的压缩性能测试，以及对合金微观结构的表征。实验结果表明，优化后的Co-Ni-Cr-Al-Cu-Ti合金在高温下表现出优异的性能，如高熔点、良好的L1?相稳定性以及较高的压缩屈服强度。这些数据不仅验证了理论模型的准确性，还为高熵合金的实际应用提供了重要支持。

总之，高熵合金的开发为材料科学带来了新的机遇和挑战。通过结合机器学习和热力学计算的方法，研究团队成功设计出具有优异性能的Co-Ni-Cr-Al-Cu-Ti合金，并验证了其在高温下的表现。这种方法不仅提高了设计效率，还为未来高熵合金的研究和应用提供了新的思路。随着技术的不断进步，高熵合金有望在更多领域中得到应用，为高性能材料的开发做出更大的贡献。