使用高熵合金粉末混合物和预合金粉末开发高性能增材制造组件的设计策略：综述

《Journal of Materials Research and Technology》：Design Strategies in Developing High-Performance Additive Manufactured Components Using High-Entropy Alloy Powder Blends and Pre-Alloyed Powders: An Overview

　　

本综述探讨了过去二十年高熵合金（HEAs）的发展，这些发展得益于使用人工智能（AI）及其相关子集（如机器学习（ML）和深度学习）的预测和发现策略的增强。研究人员探讨了涉及热力学参数、原子尺寸、价电子浓度（VEC）及相关参数以及元素组成的基本设计原理，这些原理与增材制造组件的残余机械性能相关。电子束和激光束粉末床熔融（PBF）制造的HEA组件的原始微观结构通常为沿构建方向排列的柱状晶粒，这与当代合金PBF制造的组件一致。描述了用于HEA制造的电子束和激光束PBF工艺参数的优化，以及使用实验测试矩阵概念，这些概念通过人工神经网络（ANN）映射及AI和ML算法开发中的HEA关系数据库得到增强。描述了激光束粉末床熔融（LB-PBF）的主导地位，特别是在使用预合金粉末或元素粉末混合物制造大型商业火箭和涡轮组件及产品的同步多激光PBF机器的出现中。

### 论文解读：高熵合金增材制造的设计策略与性能优化

**研究背景与问题**
高熵合金（HEAs）自21世纪初提出以来，通过多主元（通常4种以上）等原子或非等原子混合，最大化构型熵以稳定FCC或BCC固溶体，打破了传统单一主元合金的设计范式。然而，其成分空间极为庞大（Thermo-Calc 2025 HEA数据库已列出超过700种相），传统试错法进行实验优化耗时且成本高昂。同时，增材制造（AM）技术，尤其是激光和电子束粉末床熔融（PBF），虽能制造复杂几何组件，但工艺参数（如激光功率、扫描速度、粉层厚度）与HEA成分、粉末特性之间的复杂关系尚未系统阐明。因此，研究人员开展本综述，旨在探讨如何利用人工智能（AI）、机器学习（ML）及深度学习等策略，加速HEA的成分预测与发现，并优化PBF工艺参数，以实现高性能AM组件的设计与制造。

**研究内容与结论**
研究人员系统回顾了HEA设计原理（包括热力学参数、原子尺寸、价电子浓度VEC等），分析了成分与密度对机械性能的影响，并探讨了超高等熵合金（UHEA）的发展。通过引入AI辅助的图形化成分-性能关系（如人工神经网络ANN映射），结合实验测试矩阵与数据库（如Gorsse等人数据库、NIST AMMD），优化了PBF工艺参数，最终制造出如NASA GRX-810（氧化物弥散强化中熵合金）等高性能火箭与涡轮组件。结论表明：AI方法可显著加速HEA预测与工艺优化；HEA具有密度范围广（<3至>20 g/cm3）、熔点高（>2500°C）、硬度高（HV>8 GPa）及屈服强度高（>2.5 GPa）等优异性能；LB-PBF已成为主导制造技术，多激光同步系统（如EPlus 3D-EP-M2050，36激光）已被用于大型商业组件生产；HEA在超音速飞行（马赫数>10）及核反应堆等极端环境中具有应用潜力。该论文发表在《Journal of Materials Research and Technology》，为开发下一代高性能AM组件提供了系统设计策略。

**关键技术方法**
研究人员主要采用以下关键方法：1）基于AI/ML的预测模型，利用人工神经网络（ANN）映射HEA成分与机械性能之间的关系，并集成HEA关系数据库（如Thermo-Calc TCHEA8、Gorsse等人数据库）进行训练；2）实验测试矩阵概念，通过构建不同功率与扫描速度的立方体阵列（如2×2或3×3布局），结合光学显微镜、EBSD及显微硬度测试，优化PBF工艺参数；3）CALPHAD（相图计算）与DFT（密度泛函理论）用于预测UHEA的相稳定性和性能；4）高吞吐量组合制造技术（如LP-DED），在一次构建中制造数百种成分并快速筛选（如W-Re-Os系合金）；5）粉末优化方法，包括粒度分布（PSD）控制、球形度分析与流动因子评估，以提升粉床堆积密度与熔化效率。样本队列来源包括公开的NIST AMMD数据库、ANSYS Granta软件以及HEA-DB数据库。

**研究结果**
- **高熵合金设计原理**：通过热力学参数（ΔS_mix、ΔH_mix）、原子尺寸差异（δ<6.2%）及VEC（价电子浓度）分析，建立了HEA固溶体稳定性判据：VEC≥8.0时倾向FCC结构，VEC<6.87时倾向BCC结构，中间范围形成混合结构。以Cantor合金CoCrFeMnNi（VEC=8.0）为例，验证了FCC结构的稳定性，并通过拉伸实验获得屈服强度0.23 GPa、延伸率41%。
- **合金成分与密度对机械性能的影响**：通过改变Al_xCr_0.2NbTiV中Al原子分数（x=0.2,0.5,0.8），发现BCC结构HEA的硬度随Al含量增加而升高（HV从3.8 GPa增至4.1 GPa），同时晶粒尺寸减小。在Ti_(50-x)Zr₃₈Nb_xTa₈Sn₄中，随着Nb含量增加，晶粒尺寸增大，屈服强度从0.7 GPa升至1.1 GPa，密度从6.0增至7.2 g/cm3。这些结果验证了成分调整对微观结构与机械性能的调控作用。
- **超高等熵合金（UHEA）发展**：通过CALPHAD与DFT计算，预测了25种含8至13种元素的UHEA（如Al-Cr-Mo-Nb-Ti-V-Zr-Ta-W-Fe-Co-Mn-Ni系）的拉伸强度与热稳定性。结果显示，UHEA主要为BCC结构，密度范围约6-14 g/cm3，强度可达2.3 GPa（如CrMoNbTaTiW），但多数UHEA因晶格畸变过大在PBF制造中易开裂，实际应用前景有限。
- **视觉/图形成分-性能关系与AI辅助**：基于Gorsse等人数据库，绘制了MoNbTiV_xZr、CoCrFeMnNiV_Δ等HEA的机械性能（σ_y、UTS、E、延伸率）随元素原子分数变化的图形。利用人工神经网络（ANN）概念构建了连接成分与性能的预测模型，并指出Google AI（Vertex AI/Gemini）可集成现有HEA数据，作为初步探索工具。
- **激光与电子束粉末床熔融制造**：分析了激光与电子束与粉床的相互作用机制（如背散射系数、吸收长度），并推导了冷却速率（G·R）与微观结构演变的关系。通过优化粉末特性（球形度、粒径分布、流动因子）及工艺参数（功率P、扫描速度v、层厚t），可调控柱状晶或等轴晶的形成。以Inconel 718为例，改变点熔扫描策略（如蛇形变为随机点熔）可显著改变晶粒形貌与织构。
- **工艺参数开发与多激光系统应用**：通过实验测试矩阵（立方体阵列）优化LB-PBF工艺参数，开发了高密度、无孔隙的HEA组件。NASA的GRX-810中熵合金（Ni₃₅Co₃₂Cr₃₀Re_1.6Nb_0.8+Y₂O_30.7）采用共振声学混合（RAM）将纳米Y₂O₃颗粒均匀包覆于预合金粉末表面，经LB-PBF制造后，Y₂O₃弥散强化基体，使拉伸强度翻倍、蠕变抗力提高1000倍、抗氧化性提高2倍。多激光系统（如4激光EOS-M400-4、9激光EPlus 3D-EP-M1250）已用于大规模生产火箭组件（如涡轮盘、喷嘴）。
- **先进应用进展**：探讨了HEA在超音速飞行（马赫数>10）及核反应堆中的潜在应用。例如，NbMoTaWSi_0.25在1200°C下压缩强度达1.1 GPa，氧化物弥散强化GRX-810已被提议用于洛克希德·马丁的J-58黑鸟推进系统。这些材料满足了极端高温（>1800°C）与高强度（>1 GPa）的需求。

**总结与讨论**
研究人员在讨论部分指出，AI（尤其是ML）通过关系数据库与ANN算法，可显著加速HEA成分预测与工艺优化，替代传统试错法。HEA已展现出超越当代超级合金的性能（密度2-20 g/cm3，熔点>2500°C，硬度>8 GPa，屈服强度>2.5 GPa），且可通过氧化物弥散强化（ODS）等传统机制进一步提升。LB-PBF已成为制造大型复杂商业组件的主导技术，多激光同步系统（4-9激光，粉仓容量>1000 kg）已被NASA、SpaceX等广泛使用。HEA在超音速飞行与核聚变反应堆中的应用前景广阔，AI将在探索这些新兴技术中发挥日益重要的作用。

**结论翻译**
本综述得出的主要结论包括：1）AI方法（尤其是结合HEA关系数据库的机器学习）的快速发展，增强了预测与发现策略，可补充或替代传统耗时实验PBF工艺参数优化。2）HEA成分已展现出优异性能：密度范围约2至20 g/cm3，熔点>2500°C，硬度>8 GPa，屈服强度>2.5 GPa；通过应用历史与当代强化机制（特别是氧化物弥散强化（ODS））可进一步显著提升强度及其他性能。3）激光粉末床熔融（LB-PBF/SLM）已成为制造大型复杂商业组件（尤其是航空航天领域）的主导制造技术。多激光束机器的发展仅能通过激光实现；使用超过1000 kg HEA粉末电荷的4至9激光束机器已被NASA、SpaceX、G.E. Aerospace等广泛使用；超过30激光束的多激光系统正在开发中。4）具有优异性能的HEA成分在超音速飞行与核聚变反应堆设计等先进技术中的应用前景广阔，因其性能超越最先进的超级合金。AI将在预测与发现这些新兴HEA技术应用中发挥日益重要的作用。