目前，社会对具有改进的高温使用性能的优质合金的需求不断增加，需要对其成分进行精确设计。然而，筛选合金性能（如抗蠕变性和微观结构稳定性）的常规方法会耗费大量时间和资源。
为此，中南大学白利春教授、黄岚教授及谭黎明联合新加坡南洋理工大学周琨教授等人以镍基高温合金为例，致力于开发一种高温合金的高通量设计策略以加速其成分选择并实现最佳性能。
首先，作者进行了高通量实验，通过系统设计合金扩散倍数在单个样品中获得多个扩散对，并采用自动成分检测技术快速收集成分分布。
之后，利用HitDIC软件进行高通量计算得到包含镍基高温合金原子迁移率和互扩散率的数据库。然后使用该数据库来提高Lifshitz-Slyozof-Wagner（LSW）粗化和最小蠕变速率（MCR）模型的准确性，该模型可用于评估镍基高温合金的γ’粗化和蠕变行为。这对于确定这些合金的机械性能和微观结构稳定性非常重要，通过将这些预测与文献进行比较验证了模型预测的准确性。
图1. 镍基高温合金互扩散系数的高通量测定
接下来，作者采用无监督机器学习，即通过使用K-均值聚类算法根据其蠕变速率和结构稳定性对镍基合金的成分进行分类。然后可以确定具有最佳抗蠕变性和结构稳定性的成分范围，其中获得了超过648000种具有不同成分的镍基合金并最终确定了综合最优性能的两种合金。通过实验验证了选择的可靠性，这两种镍基合金在高温下表现出比其他成分的合金更高的优异抗蠕变性和结构稳定性。该设计策略的高精度和高效率归因于3个方面：
（1）多组分扩散偶方法比传统的扩散偶方法具有更高的效率；
（2）开发了多组分镍基高温合金的原子迁移率数据库来计算关键的有效扩散系数；
（3）细化的LSW粗化和MCR模型在预测粗化率常数和MCR方面具有更高的准确性。
总之，该高通量设计策略可有效地加速多组分材料的开发，包括钛基、铝基、铁基，甚至高熵合金。此外，这种策略能够应对在无限成分空间中发现新型合金的挑战，从而满足高温材料的增长需求。
图2. 机器学习辅助合金设计的验证
High-Throughput Method-Accelerated Design of Ni-Based Superalloys, Advanced Functional Materials 2022. DOI: 10.1002/adfm.202109367
原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/108bd52a16/