一种用于预测体心立方难熔高熵合金中失配体积的主动学习工作流程

《Scientific Reports》：An active learning workflow for predicting misfit volume in body-centered cubic refractory high-entropy alloys

　　

摘要

难熔高熵合金（RHEAs）具有优异的高温机械性能。然而，要对其屈服强度的机理进行理解，需要准确确定失配体积参数（$\delta$），该参数用于量化由于固溶体中组成元素的尺寸和电子异质性所导致的局部体积变化。传统的近似方法（如Vegard定律）无法捕捉这些成分复杂系统中的局部原子松弛和电子结构效应。本文开发了一种基于主动学习的工作流程，将密度泛函理论计算与集成机器学习（ML）相结合，以高效预测126种等原子量的五元体心立方（BCC）RHEAs的$\delta$参数。偏依赖图和符号回归分析表明，原子尺寸失配直接影响$\delta$参数，而电负性的变化则起到电子结构补偿的作用。将机器学习预测的$\delta$值纳入Maresca-Curtin机理模型后，能够很好地解释不同BCC RHEA成分的实验屈服强度数据。