西安交通大学，最新Nature！

正文

请到「今天看啥」查看全文

用于合成设计的主动学习

为了设计出高强度且延展性好的高熵合金， 作者 结合专业知识和机器学习进行合金成分优化，主要依据三点：（ 1）通过引入Al和Ta，放大原子尺寸差异和负混合焓，显著增强固溶强化效果；（2）利用高含量的Al和促使L1 ₂ 析出相形成的Ta，生成大量相容的L1 ₂ 型纳米析出相，从而提升析出强化，其中Ta提高的反相界面能（ γAPB ）也有助于增强强度；（3）引入一定比例的B2型不相容但塑性的微米级析出相，这些相结构复杂、化学有序化能低，能够更好地协助位错滑移、积聚位错，增强塑性并提升均匀变形能力。 图1a展示了从已有的 AlCoC rFeNiTa 体系中140种FCC合金数据出发，结 合20种物理特征，通过主动学习优化成分的过程。最终在第三轮迭代中筛选出表现最优的Fe35Ni29Co21Al12Ta3合金（即HEA05），其屈服强度在所有实验合金中最高（图1b、1c），验证了模型的高准确性和实用性。

图 1：用于发现超强和延展性 FeNiCoAlTa HEA 的基于领域知识的机器学习模型

双沉淀微观结构

作者 重点研究了性能最优的 HEA05合金，并与其基体合金A0（不含Al和Ta）、仅含Al的合金、以及仅含Ta的合金进行了对比。HEA05经过750°C时效1小时处理后表现出优异性能。虽然最终成分是通过机器学习筛选的，但决定性能的关键还是其独特的微观结构。通过同时加入较高比例的Al和Ta， 作者 在FCC基体（晶粒尺寸约7.6 μ m）中成功引入了两类析出相：一类是尺寸约15 ± 3

请到「今天看啥」查看全文