《Materials Genome Engineering Advances》：Designing γ-TiAl Alloys With Refined Twin-Lamellar Microstructures via Machine Learning-Driven Phase-Field Methods
编辑推荐：
以细小层片和孪晶结构为特征的双相γ-TiAl合金，在强度和延伸率之间提供了出色的平衡。然而，预测此类微观组织的最佳设计条件（包括成分和热处理）面临着重大挑战。研究人员通过将相场模拟与机器学习优化算法相结合，建立了一个微观组织-应力-成分数据库。该数据库揭示，随
以细小层片和孪晶结构为特征的双相γ-TiAl合金，在强度和延伸率之间提供了出色的平衡。然而，预测此类微观组织的最佳设计条件（包括成分和热处理）面临着重大挑战。研究人员通过将相场模拟与机器学习优化算法相结合，建立了一个微观组织-应力-成分数据库。该数据库揭示，随着外应力和Al含量的增加，孪晶结构密度最初增加随后降低。同时，平均层片尺寸呈现出最初减小随后增大的趋势。利用机器学习扩展了相场数据库，并将细化孪晶层片结构作为研究人员的优化目标。这使得在优化理论的指导下，能够加速搜索理想的设计条件。值得注意的是，相场模拟表明，最佳设计条件产生了细化孪晶层片结构，其特征为平均孪晶尺寸约为13.5 nm，孪晶分数约为92%，γ相体积分数约为48%。研究人员最后详细阐述了决定Al含量与应力之间线性关系的物理因素。本研究最终为设计具有优异层片和孪晶结构的双相γ-TiAl合金提供了有价值的见解。
研究背景与意义：γ-TiAl合金因具有低密度、高比强度和优异的抗氧化性能等突出特点，在航空航天工业中备受关注，并已成功应用于低压涡轮叶片等关键轻量化部件。然而，其有限的延展性和断裂韧性制约了在极端环境及更复杂结构件中的广泛应用。研究表明，将全层片微观组织细化至纳米尺度可通过Hall-Petch强化效应提升合金强度，而丰富的高密度纳米孪晶则能有效阻碍裂纹扩展，从而改善延展性和韧性。但是，制备同时具备高孪晶密度和微小层片尺寸的细化孪晶层片结构需要对合金成分和热处理参数进行极其精确的控制。成分或工艺的微小偏差会导致有害相的出现或组织粗化。由于相选择、生长和孪晶过程中热力学与动力学高度非线性且相互耦合，仅凭经验或传统热力学计算难以准确描述。传统的试错法不仅耗时长、成本高，且很难寻找到最佳的设计参数组合。为了解决这一难题，研究人员开展了将相场模拟与机器学习相结合的研究。该研究建立了一个高效的新型框架，不仅加速了微观组织优化设计区域的定位，还深入阐明了控制孪晶和层片形成的物理机制。这一成果近期发表在《Materials Genome Engineering Advances》上，为高性能γ-TiAl合金及其他先进结构合金的数据驱动设计提供了重要蓝图。
关键技术方法：研究人员主要采用了三个关键技术方法。首先是相场模拟方法，建立了覆盖不同铝含量和施加应力范围的微观组织-应力-成分数据库，用于描述α2和γ相的形貌演变。其次是机器学习代理模型，研究人员比较了极限学习机（ELM）、K近邻（KNN）和CatBoost三种回归算法在预测微观组织上的表现，以替代计算昂贵的相场模型。最后是多目标优化算法，引入带有精英保留策略的非支配排序遗传算法第三代（NSGA-III），以最大化孪晶密度和最小化层片厚度为双重目标，在CatBoost扩展的数据库中寻找Pareto最优解。
研究结果：
γ-TiAl合金微观组织-应力-成分数据库的建立：通过相场模拟分析了Al含量和外部应力对微观组织的影响。研究发现，γ相体积分数随Al含量和施加拉伸应力幅值的增加而单调增加。通过构建含量-应力-微观组织映射图，研究发现获取最小平均沉淀尺寸和最大孪晶密度的条件在参数空间内形成了一条线性轨迹，说明沉淀细化与孪晶形成密切相关。该轨迹可数学表达为σex = -0.4 (cAl - (c0 - 1.5))，表明较高的Al含量需要越来越大的压应力以最大化孪晶形成。
微观组织的机器学习预测与优化：在三种机器学习算法中，CatBoost表现出最高的预测精度和泛化能力而被选作代理模型。利用NSGA-III算法对扩展后的数据库进行多目标优化，识别出比初始相场数据库更优的设计条件：cAl = 42.17 at.%，σ = -0.46σex。新的相场模拟验证表明，该预测条件生成的沉淀尺寸更小且孪晶密度更高，超越了原始数据库中的所有实例，证明了机器学习加速与优化设计的有效性。
细化孪晶层片结构的物理机制：通过追踪微观组织的演化过程，研究人员阐明了特定成分与应力下最佳组织形成的物理原因。在相变早期，晶核同时发生单域均相成核与孪晶结构的自催化形核；随着时间推移，孪晶由于孪晶界界面能较低而逐渐占据主导地位。中等程度的Al含量或中等应力水平能提供最佳的成核驱动力，同时限制由过高界面能或弹性能相互作用引起的粗化效应。这种非单调的依赖关系促使最终在中等线性的含量-应力区域形成平均层片尺寸约为13.5 nm、孪晶分数约为92%、体积分数约为48%的最优结构。
结论部分讨论与翻译：本研究将机器学习与优化技术同相场模拟相融合，实现了对γ-TiAl合金微观组织的设计与定制。研究得出的主要结论为：首先，借助高通量相场模拟构建了微观组织-应力-成分综合数据库，发现单变量线性变化会引发层片尺寸与孪晶密度呈现非单调变化，且为了在特定Al含量下获得最优微观组织所施加的最优外应力σopt满足函数式σopt = -0.4 (cAl - (c0-1.5))。其次，将物理约束设为目标函数，结合机器学习算法加速了传统相场模拟的搜索过程，成功定制了最佳设计条件（cAl = 42.17 at.%，σopt = -0.46σex），经相场验证其预测结果超越了数据库中已知记录。最后，对耦合场下的组织演变进行了系统分析，揭示了成分和应力线性条件下最优结构形成的深层物理机制。综上，该工作提出了一种结合机器学习与传统相场模拟的新型设计方法，极大地加速了微观组织优化的定位并实现了组织的精确设计。
