npj：机器学习—多性能快速筛选与优化

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

工程应用的材料往往成分复杂，且需要具备优良的综合使用性能。传统的以经验和直觉为基础的“试错法”，在面对复杂材料体系多性能优化问题时，需要很高的研究成本和时间消耗。因此，低成本、快速设计出满足多目标性能要求的复杂材料成为了当下材料研发亟需解决的重要问题。随着人工智能技术在材料研发领域的应用，材料研究正在向大数据驱动的“第四范式”发展，人工智能技术和材料数据库的高度融合，有望成为材料研发的新模式。

北京科技大学材料基因工程高精尖创新中心的宿彦京教授研究团队和冯强教授研究团队，基于自主建设的“材料基因工程”专用数据库（www.mgedata.cn），采用机器学习技术和全局优化算法，融合材料领域知识、热力学计算数据和实验数据，以多组元γ’相强化型钴基高温合金为研究对象，同时以合金组织稳定性、γ’相溶解温度、γ’相体积分数、密度、热处理窗口、凝固区间，以及抗高温氧化性等7种重要性能为优化设计目标，设计出了同时具备高γ’相溶解温度（>1250 °C），高的γ’相体积分数（≥60%），较低的密度（≤8.7 g cm⁻³），合适的热处理窗口（≥40 °C）和凝固区间（≤60 °C），较好的高温抗氧化性，且组织稳定性高的Co-Ni基高温合金。该研究打破了数据使用方法的认知，使用热力学计算数据训练机器学习相分类模型，预测不含有害相的候选材料，使用实验数据训练性能回归模型，将所有的机器学习模型共同用于材料多目标性能的筛选和优化设计。在机器学习策略和全局算法的指导下，仅进行了3轮实验迭代，成功设计出符合全部7种性能预期要求的3种合金成分，并利用扫描透射电子显微镜和三维原子探针对其微观组织进行了表征，发现合金中主要元素的偏析系数与机器学习预测的元素变化趋势相一致，表明了机器学习框架成功地捕捉到了元素之间内部的交互作用机制，为材料设计提供了积极的指导。该研究在同一个机器学习框架内使用了不同类型的数据来设计材料，丰富了材料研发的手段，弥补了实验数据不足这一材料领域的通病。该研究所提出的多目标性能优化机器学习策略具有通用性的，可应用于高熵合金，超导材料、能源材料等多组元材料的设计。

该工作受到国家重点研发计划“材料基因工程关键技术与支撑平台”、广东省重点领域研发计划“材料基因工程”重点专项等科技计划的资助。

该文近期发表于npj Computational Materials 6: 62 (2020)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

Machine learning assisted design of γ′-strengthened Co-base superalloys with multi-performance optimization

Pei Liu, Haiyou Huang, Stoichko Antonov, Cheng Wen, Dezhen Xue, Houwen Chen, Longfei Li, Qiang Feng, Toshihiro Omori & Yanjing Su

Designing a material with multiple desired properties is a great challenge, especially in a complex material system. Here, we propose a material design strategy to simultaneously optimize multiple targeted properties of multi-component Co-base superalloys via machine learning. The microstructural stability, γ′ solvus temperature, γ′ volume fraction, density, processing window, freezing range, and oxidation resistance were simultaneously optimized. A series of novel Co-base superalloys were successfully selected and experimentally synthesized from >210,000 candidates. The best performer, Co-36Ni-12Al-2Ti-4Ta-1W-2Cr, possesses the highest γ′ solvus temperature of 1266.5 °C without the precipitation of any deleterious phases, a γ′ volume fraction of 74.5% after aging for 1000 h at 1000 °C, a density of 8.68 g cm⁻³ and good high-temperature oxidation resistance at 1000 °C due to the formation of a protective alumina layer. Our approach paves a new way to rapidly design multi-component materials with desired multi-performance functionality.

扩展阅读

 

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方