基于机器学习的异构金属材料性能预测及结构设计.docxVIP

???异构金属材料因其特殊的微观结构，在具有较高强度的同时仍然能保持良好的韧性，但是复杂的结构参数使其性能预测和结构设计变得非常困难。机器学习(ML)在处理高维物理量之间的复杂非线性关系方面表现出强大的能力，从而成为异构金属材料性能预测和结构设计的有力工具。介绍了异构金属材料的特征，总结了ML算法及其相关的数据处理问题，综述了ML在异构金属材料性能预测和结构设计方面的应用研究现状，给出了ML辅助异构金属材料性能预测及结构设计中存在的关键问题，并对未来的研究方向进行了展望。

01

异构金属材料的特征

???通过设计材料表面微观结构、晶体结构或成分不均匀，构筑组分间性能不协调界面而引发额外强化效应的材料被称为异构金属材料。异构金属材料中的组分分为“硬区”和“软区”两类，二者间的协同作用大大提高了材料的强度和韧性，甚至高于混合法的预测值。根据设计方法的不同，异质结构主要分三类：控制组元的尺寸和结构不同，如梯度结构、核壳结构；在材料的晶体内部引入孪晶等缺陷，如纳米孪晶异构；调控组成成分(包括相、元素等)不同，如异质双相结构。异构金属材料主要通过上述调控方式来达到强韧均衡的目标，这也使得异构金属材料具有较复杂微观结构，为此引入了晶粒尺寸、软硬区的体积分数、异构基元有序构筑的梯度指数、异构界面密度等结构参量，如图1所示。通过控制梯度指数利用电沉积法制备了强度和韧性都高于粗晶镍的梯度结构纯镍，并且发现了最佳晶粒尺寸分布曲线。通过机械球磨和火花等离子烧结工艺制备了一系列具有不同壳体积分数的核壳结构CoCrFeMnNi高熵合金，壳体积分数在20%~40%的核壳结构高熵合金表现出优异的强度-韧性协同作用和良好的抗低周疲劳性能。通过控制粗晶的空间分布，分析了具有双峰尺寸分布的3种典型非均质结构的变形机制，并且定量研究了不同结构的界面与应变硬化之间的关系。上述研究结果均通过改变微观结构参数来探求最优的材料性能，寻找各项参数与异构材料综合性能的关系，这为优化异构材料的微观结构设计提供了帮助。

???异构金属材料的微观结构是基于其特殊的力学响应而设计的：在加载过程中，异构金属材料中微区软硬相之间的载荷传递引起了应变不协调，在异质界面处产生明显的应变梯度。应变梯度需要几何必需位错(GNDs)来调节，并且几何必需位错密度与应变梯度正相关。几何必需位错的累积进一步产生了背应力，显著增加了软区的流动应力，提高了材料的应变硬化率；而硬区则产生背应力的反作用力即前应力。二者之间协调作用，耦合为异质变形应力。在韧性强化方面，异构金属材料在变形过程中会发生由几何必需位错引起的异质塑性变形，同时存在几何必需位错与界面间相互作用以及几何必需位错特殊的运动，这有利于塑性变形的离域化。累积的几何必需位错含量越高，由几何必需位错主导的异质塑性变形占比越大。因此，异构金属材料在拉伸卸载-再加载过程中会形成力学迟滞环，韧性得到极大提高。此外，在拉伸变形时部分微区甚至呈现多轴应力状态，这促进了位错相互作用,诱导了额外的应变硬化。这些力学效应与材料微观结构特征参量的关系密不可分，对强度和韧性的提升也起着重要的作用。

???在传统异质结构设计流程中，通常需要寻求微观结构与强化机制的联系，进而采用高通量的试验对异构金属材料内部结构进行优化设计，逐步逼近金属材料的强韧极限。利用试错法来设计及研究异构金属材料需耗费大量的人力物力，因此用理论计算为试验结果做支撑，给设计找到突破口成为研究的热点。然而这需要不断完善本构方程来保证建模和仿真计算的准确性。早期科学家大多从试验中建立宏观的唯象本构模型，对深入揭示材料变形内在的物理机制缺乏认识。例如，提出的多孔微观模型利用宏观流场分布和耗散积分为多孔延性材料开发提供屈服标准和流动规则。然而仅在宏观尺度上建立的这类模型，很难用于研究在加载时材料微观结构的演变规律及失效机理。随着非线性有限元软件的快速发展及晶体塑性理论的不断成熟，描述材料微观变形行为的本构模型也在逐步发展中。通过将纳米梯度材料变形过程中的损伤演化和机械驱动晶粒生长纳入本构模型中，研究了微观组织梯度在整体塑性响应中的作用。引入与尺寸相关的异质诱导硬化项来描述因异质结构而增强的背应力。提出率相关的Hadamard嵌入式晶界模型来研究双晶或者多晶材料中孪晶的成核和扩展及塑性变形模式。然而，有限元分析在处理多物理场耦合、多目标优化等复杂问题时较为困难，且计算成本高。ML可以先通过已有数据综合分析学习，建立成分-结构-性能关系，然后对材料的设计空间进行高速搜索，最后通过微观精准调控达到目标性能。因此，利用ML指导异构金属材料微区结构设计及力学性能优化有着较高的研究价值与广阔的应用前景。

机器学习算法

02

???ML作为解决人工智能问题的主要方法发展极为迅速，已应用于各行各业。