数据驱动新材料研发技术

导读：为满足日益苛刻的服役环境，高温合金等关键材料的成分复杂性不断提高，极大挑战了合金成分设计与综合性能筛选。团队提出了一种基于高通量实验数据的高温合金成分筛选策略，建立精准的组织、性能预测模型，利用机器学习根据不同性能特征对合金成分进行分类，通过多目标优化手段快速得到具有优异综合性能的系列新型镍基高温合金，为高性能合金材料的高效设计提供了新思路。

在复杂组元、多个优化目标的合金高效设计中，建立可靠的成分—性能模型是关键所在。然而，部分关键参数缺乏实验验证，导致该模型尚不明确，增加了成分筛选的不确定性。例如，作为镍基高温合金中最重要的沉淀强化相，γ′相在高温长期服役过程中会发生粗化，削弱沉淀强化的效果，造成高温合金性能退化。γ′相的尺寸、含量和颗粒间距与合金力学性能直接相关，而高温下γ′相的演变由元素扩散主导。目前常采用的扩散动力学计算主要在二元、三元合金的实验数据基础上进行计算、外推，高温合金是典型的多元复杂合金体系，通过该方法获取的镍基高温合金扩散系数还有待验证。最佳的方式是直接从多元合金的实验中获得扩散动力学数据。

团队学者提出了高通量数据驱动的高温镍基合金成分设计策略。利用高通量实验和扩散动力学计算的手段快速获取镍基高温合金扩散动力学数据，据此修正γ′相粗化模型、蠕变速率和蠕变寿命预测模型，结合非监督式机器学习方法，综合密度、有害相析出、可加工性等多个筛选目标，在海量的成分中快速筛选出目标合金成分，其综合性能优于现有的典型镍基高温合金。 

利用高通量实验数据加速高性能镍基高温合金设计的策略如图1所示。主要包括以下步骤：设计覆盖镍基高温合金成分空间的高通量扩散多元节样品；利用高通量表征和高通量计算获取扩散动力学数据；据此建立γ′相粗化模型和蠕变性能预测模型；在成分空间内建立预选成分点，利用非监督式机器学习根据目标性能对成分点进行分类，缩小成分空间；结合密度、有害相析出、可加工性等多个目标进行筛选，最终获取综合性能最佳的合金成分。

图1 高通量实验数据加速高性能镍基高温合金设计的策略。

团队前期已经通过高通量方法获取高温合金成分—工艺—组织—性能基础数据（Scripta Materialia, 178，2020：134-138.）、利用成分—相实验数据预测有害相析出（Materials Research Letters, 2021, 9: 32-40.该论文被评为“MRL创刊十周年优秀论文”）、数据驱动新材料开发（Advanced Functional Materials, 2022: 2109367.https://doi.org/10.1002/adfm.202109367 ）等工作。这种集成高通量实验、计算和机器学习方法的高温合金设计方法，是一个利用数据驱动进行材料高效设计的典型示例，该方法同样适用于包括高熵合金、陶瓷等其他高性能材料的开发。