数据驱动的 FCC 高熵合金成分-性能关系洞察.pdfVIP

数据驱动的FCC高熵合金成分-性能关系洞察

尼古拉斯·弗洛雷斯,a†丹尼尔·萨拉斯·穆拉,a徐文乐,aSahuBibhu,aDanielLewis,a

AlexandraEveSalinas,bSamanthaMitra,cRajMahat,cSuryaR.Kalidindi,cJustin

Wilkerson,bJamesParamore,a,d,eAnkitSrivastiva,aGeorgePharr,aDouglasAllaire,bIbrahim

Karaman,aBradyButler,a,eVahidAttari,aandRaymundoArróyavea

结构高熵合金（HEAs）在航空航天、汽车和国防等行业技术的进步中至关重要。然

本而，化学成分、工艺、结构和性能数据的缺乏整合给预测性性能建模带来了重大挑

战。鉴于这些合金的设计空间广阔，揭示其潜在模式至关重要但又十分困难，需要能

译够从有限且异构的数据集中学习的先进方法。本研究展示了若干敏感性分析，突出了

中关键元素对机械行为的影响，并提供了在BIRDSHOT中心Ni-Co-Fe-Cr-V-Mn-Cu-Al

1系统数据集中的纳米压痕测试中观察到的脆性和断裂响应相关组成因素的见解。通

v过贝叶斯多目标超参数优化精心调整的几种编码器—解码器—基于化学成分—性能

1模型被评估用于将合金组分映射到六个机械性能上。这些模型在所有性质上的表现

4

8均具有竞争力或优于传统回归器，特别是在屈服强度和UTS/YS比值方面，展示了

4其捕捉复杂组成—性能关系的有效性。

0

.

8

0关键词：力学性能，建模，纳米压入，高熵合金，机这些合金所跨越的巨大且连续的成分空间，可用高质量

5器学习实验数据的数量极其有限，ML在HEA中的实际应用受

2

:到了限制。这种数据稀疏性加上许多ML模型的复杂性

v

i和解释能力有限，为开发可靠和通用的性能预测带来了

x极端环境下的高性能材料的发现和设计，如航空航重大挑战。在这项工作中，我们基于正则化密集网络开

r

a天、国防和核应用中遇到的情况，需要在有限的实验数发了一种编码器-解码器模型，用于学习Ni-Co-Fe-Cr-V-

据下探索广阔的成分空间。高熵合金（HEAs）以其多Mn-Cu-Al系统中的成分-属性关系。该模型在有限的数

主元组成而著称，可能具备强度、热稳定性和抗氧化性据上进行训练，提供了一种稳健的方法来解码高维HEA

等优异组合[1,2]。然而，由于化学、工艺、结构和空间中的非线性。

性能之间的复杂、非线性和通常难以理解的关系，理解

图1展示了一个现代发现框架，该框架将加工条件、

和预测它们的行为仍然具有挑战性。这些挑战因可用数

微观结构特征（通过SEM、EBSD和XRD）以及机械性

据集的稀缺而进一步加剧，这限制了传统建模方法的有

能