近期，大连理工大学材料科学与工程学院王清教授及其团队成员在先进结构-功能一体化材料研发方面取得重要进展。王清教授团队一直致力于高性能材料的设计与研发工作，将团簇式成分设计方法与第一性原理、相场模拟及机器学习相结合，实现了从成分到组织的定量设计以及对合金多个性能的协同调控，大幅提升了合金研发效率；发展出一系列高性能工程合金材料，并在多个领域得到了应用。团队分别以“开发新型高温BCC/B2共格软磁多主元合金”(Developing novel high-temperature soft-magnetic B2-based multi-principal-element alloys with coherent body-centered-cubic nanoprecipitates)和“自动化机器学习开发新型低密度高强抗蠕变高熵高温合金”(Developing novel low-density high-entropy superalloys with high strength and superior creep resistance guided by automated machine learning)为题，相继发表在国际金属材料领域Top1期刊《材料学报》(Acta Materialia)上。
新型高温软磁材料组织与性能
材料的性能与多个尺度的微观组织结构密切相关，主要包括元素组合和基因单元等。高温用软磁材料是航空航天等领域发展的关键，可作为发动机转子、变压器、磁力轴等，工作温度为400~800℃，需要兼具优异软磁性能和高温力学性能。但是目前常用的软磁材料存在涡流损耗高、高温组织稳定性差、服役温度低、制备工艺复杂等问题。团队成员利用团簇成分式方法调控微观结构，成功地开发出了一系列新型高温软磁多元合金，并在高温下保持了优异的软磁性能。新型合金具有高的居里温度和电阻率，可以广泛应用于电子、机械和航空等领域。这项研究的成功还为高温软磁材料的研究提供了新的思路和方法，具有重要的学术和应用价值。
团簇式嵌入的自动化机器学习高温合金成分-性能循环示意图
为满足先进航空发动机推重比不断提升的重大需求，急需研发新型低密度、高强度的高温结构材料。高温合金由于其优异的高温力学性能，被广泛的应用在航空航天领域，作为应用最广泛的材料之一。但是，当前商用变形高温合金密度高(高于8.20 g/cm³)以及承温能力提升慢(2℃/年)，新材料开发进程缓慢。目前，以‘Al for Science’材料研究新范式成为了迅速开发新材料最重要的方式之一。其中，以体系特征参数辅助的机器学习方法在高性能工程合金研发过程中展现出独特的潜力。然而，体系特征参数并未与成分直接关联，导致在以性能为导向预测新合金时需要搜索较大的成分空间，增加了实验验证的难度。鉴于此，团队成员采用团簇成分式嵌入自动化机器学习成功开发了新型低密度高性能高温合金。在本研究中，系统构建了高温合金成分与合金性能之间的关联，并且嵌入与性能密切相关的组织特征参数，并对机器学习的预测结果进行了实验验证，发现团簇式约束后，合金成分大大减少，同时实验结果与预测结果高度一致。该工作开发出的系列低密度合金拥有优异的共格组织高温稳定，且新型合金拥有高的高温比屈服强度以及高的蠕变持久寿命。该框架为通过机器学习实现高性能复杂合金面向性能的成分设计提供了新的途径。
两篇论文的第一作者分别为材料学院博士生王镇华和李言成，通讯作者为材料学院王清教授。材料学院董闯教授、美国田纳西大学Peter K.Liaw教授、香港理工大学焦增宝教授和中科院金属所张宏伟研究员参与了论文工作思路的讨论；机械工程学院李震老师在计算模拟、材料学院分析测试中心于凤云老师在EBSD/SEM实验表征以及东莞理工学院温冬辉副教授在热力学软件上对本研究给予了帮助。
该研究得到了国家自然科学基金区域联合重点基金和面上项目的资助支持。
来源：大连理工大学材料学院王清教授团队
热门跟贴