机器学习引导设计的具有定制Ni3Sn/Ni3Sn2析出相的Cu–Ni–Sn合金

《Materials Genome Engineering Advances》：Machine Learning-Guided Design of Cu–Ni–Sn Alloys With Tailored Ni3Sn/Ni3Sn2 Precipitates

　　

为克服Cu–Ni–Sn合金中强度与导电性之间的权衡关系，研究人员将机器学习、热力学计算与实验相结合，从相选择性角度设计合金。SHAP分析表明，Ni3Sn与Ni3Sn2析出相共存可产生优于单相析出的协同强化效果。特征筛选识别出共价半径方差与Allred–Rochow电负性均值作为耦合力学与电学性能的关键物理参数。研究人员将支持向量回归（SVR）模型与热力学相平衡计算结合，确定了350°C时效设计窗口，对应Sn/(Ni+Sn)质量比约40%–56%，可用于双相共存。对预测合金Cu–9Ni–9Sn的实验验证显示出良好性能平衡：抗拉强度1351 MPa、硬度415 HV、导电率12.43% IACS。显微组织分析确认，优异性能来源于γ-DO22/γ-L12有序相与Ni3Sn2析出相对位错的多尺度阻碍，以及溶质耗尽导致的电子散射降低。该闭环范式可为析出强化合金的多相调控提供可迁移路线。

研究背景方面，铜及铜合金因优良导电、导热与力学性能，在电子信息、轨道交通、航空航天和智能装备中不可替代。现代工业向高性能、小型化、集成化发展，对高强高导铜合金需求迫切。Cu–Ni–Sn合金是有前途的超高强度弹性铜合金体系，但强度与导电性存在固有权衡，传统试错设计周期长、成本高，且第一性原理与CALPHAD（Calculator of Phase Diagrams，相图计算）方法在宏观性能定量预测上有限。现有机器学习模型常忽略析出相类型这一中间组织变量，且机器学习、热力学相稳定性与实验析出验证的耦合不足。因此，研究人员开展融合SHAP可解释性分析、机器学习、热力学计算和实验验证的多尺度研究，以揭示Ni₃Sn与Ni₃Sn₂析出相对Cu–Ni–Sn合金性能的影响，建立具物理可解释性和可实验验证的合金设计框架。该研究论文发表在《Materials Genome Engineering Advances》。

主要关键技术方法方面，研究人员从已发表文献收集Cu–Ni–Sn、Cu–Ni–Si、Cu–Ni–Mn、Cu–Ni–Al合金共186个样本，经严格析出相实验证据筛查后保留144个实验验证样本；采用SHAP（SHapley Additive exPlanations，沙普利加性解释）分析合金元素与析出相对硬度、导电率的边际贡献；通过合金因子建模把成分转为96个物理化学描述符，再用Pearson相关、PCA（Principal Component Analysis，主成分分析）结合随机森林、交叉验证选出7个核心特征；构建SVR与RF（Random Forest，随机森林）回归模型，以嵌套交叉验证和自助采样评估；用Thermo-Calc做CALPHAD热力学计算；对设计的三种合金进行均匀化、90%冷轧与300°C–400°C时效，并用XRD（X-Ray Diffraction，X射线衍射）、EBSD（Electron Backscatter Diffraction，电子背散射衍射）、TEM（Transmission Electron Microscopy，透射电子显微镜）表征。

3.1 Data Reconstruction and Cleaning中，研究人员通过SHAP分析发现Ni和Sn是决定硬度的关键元素，Ni₃Sn+Ni₃Sn₂等双相组合较单相具有更高硬度SHAP值，显示协同强化；对导电率，Ni和Sn呈负贡献，而Ni₃Sn+Ni₃Sn₂与Ni₃Sn+Ni₃Si组合对导电率有正贡献。特征筛选后硬度模型留7特征、导电率模型留7特征，关键共同特征为Pyykk?共价半径方差V-A9与Allred–Rochow电负性均值M-E4，二者是耦合力学与电学属性的核心物理参数。

3.2 Model Construction and Selection中，研究人员比较RF与SVR的嵌套交叉验证性能，RF硬度R²为0.765±0.115、导电率R²为0.720±0.051；SVR硬度R²为0.813±0.046、导电率R²为0.834±0.054，Bootstrap（自助采样）置信区间分别为0.539–0.901与0.605–0.927。因低维小样本下SVR通过核函数与正则化更稳，研究人员选SVR作最终筛选模型。

3.3 Model Prediction and Alloy Screening中，SVR预测显示硬度随Ni、Sn含量提高而非线性上升，高硬区在Sn约10–12 wt.%；导电率在低Ni区随Sn先升后降，高Ni区趋单调下降。Thermo-Calc计算Ni–Sn二元相图，将Sn/(Ni+Sn)约40%–56%作为350°C下Ni₃Sn+Ni₃Sn₂共存倾向窗口，但强调其非温度无关常数。研究人员据此选Cu–9Ni–6Sn、Cu–9Ni–9Sn、Cu–9Ni–12Sn三合金验证，预测图显示双相区兼具高硬度和可接受导电率。

3.4 Experimental Verification中，350°C峰值时效下，Alloy 1#硬度388 HV、导电率12.78% IACS；Alloy 2#硬度415 HV、导电率12.43% IACS、抗拉强度1351 MPa、断后伸长5.8%；Alloy 3#硬度431 HV、导电率11.84% IACS、抗拉1263 MPa且近脆断。XRD表明1#为Cu+(Cu,Ni)₃Sn，2#多出Ni₃Sn₂，3#仅Cu+Ni₃Sn₂；热力学等温截面与XRD一致。EBSD显示随Sn升高晶粒细化、GND（Geometrically Necessary Dislocation，几何必需位错）密度与微应变增大，Alloy 3#出现Cube与R等回复/再结晶织构，塑性与晶界稳定性下降。TEM显示1#为γ-DO₂₂/γ-L1₂纳米有序相，2#为有序相+Ni₃Sn₂双相且无可观γ-DO₃，3#为Ni₃Sn₂主导；研究人员估算2#中γ-DO₂₂共格应变强化约475±122 MPa、γ-L1₂约353±256 MPa、Ni₃Sn₂的Orowan弥散强化约390±130 MPa。

3.5 Relationship Between the Current Feature Space and Prediction Uncertainty中，研究人员指出硬度主要由成分派生描述符可捕获的强化因素控制，导电率对残余溶质、析出/基体界面、位错、晶界、织构与回复态等路径依赖散射源更敏感；EBSD、XRD、TEM量化了这些差异，但当前特征空间未显式纳入，导致导电率预测偏差大于硬度。未来可加入核平均取向差、GND密度、析出相尺寸/间距/数密度/界面面积密度等物理信息描述符，或采用EBSD/TEM图像驱动混合模型。

3.6 Relationship Between Features and Performance中，V-A9（Pyykk?共价半径方差）对硬度为正贡献，超过约6时尺寸失配激活析出强化；M-E4（Allred–Rochow电负性均值）对硬度在低于约1.745时利于形成适度界面键合、过高则界面过刚并促脆相。对导电率，V-A9高值因晶格周期性破坏而降导电；M-E4呈“两端有利、中间有害”的非线性：过低溶质Sn残留致强散射，中等值存在残余溶质与细小析出相双重散射，过高则析出净化矩阵但界面与应变散射仍存。

讨论与结论部分总结：研究人员强调析出相标签来自不同文献表征分辨率，SHAP析出相关值应作数据集级统计关联而非单条件确定贡献。SVR在小样本低维下较RF更可靠；Sn/(Ni+Sn) 40%–56%只是350°C均衡热力学参考下的设计窗口，实际时效受冷轧引入位错/空位等缺陷辅助形核与扩散动力学影响。双相Ni₃Sn+Ni₃Sn₂通过γ-DO₂₂/γ-L1₂共格应变强化与Ni₃Sn₂弥散强化形成多尺度位错阻碍，同时消耗基质溶质而减轻电子散射，从而获得高强与较高导电的平衡。研究人员结论为：机器学习引导、SHAP可解释、热力学计算与实验验证的闭环范式，能识别Ni₃Sn/Ni₃Sn₂双相析出协同机制，确定Cu–9Ni–9Sn类合金在350°C峰值时效下实现1351 MPa抗拉、415 HV、12.43% IACS的优衡性能；该框架为析出强化铜合金的相选择性设计与多相调控提供可迁移方法学。