Acta：机器学习开发具有高强度和抗蠕变性能低密度高熵高温合金

摘要：传统镍基高温合金因高密度（>8.20 g/cm³）和高温下γ'相的失稳粗化问题，难以满足航空发动机对轻量化与高温性能的双重需求。高熵合金（HEA）通过多主元设计可提升相稳定性，但其成分空间庞大，传统试错法效率低。近年来，机器学习（ML）为材料设计提供了高效工具

传统镍基高温合金因高密度（>8.20 g/cm³）和高温下γ'相的失稳粗化问题，难以满足航空发动机对轻量化与高温性能的双重需求。高熵合金（HEA）通过多主元设计可提升相稳定性，但其成分空间庞大，传统试错法效率低。近年来，机器学习（ML）为材料设计提供了高效工具，但小样本数据库和复杂成分关系仍限制其预测精度。大连理工大学Yancheng Li等人结合领域知识（如γ/γ'相稳定性、晶格失配）与自动化机器学习（AutoML），提出了一种新型低密度高熵超合金（HESA）设计框架，旨在实现高强度、低密度及优异蠕变抗力的协同优化。

研究利用自动化机器学习模型（AutoGluon）建立合金成分与屈服强度关系，并结合遗传算法（GA）进行逆向设计，优化合金成分。数据库包含263个样本，涵盖Ni-Fe-Co-Al-Ti-Nb-Ta-Cr-Mo-W体系，引入晶粒尺寸、γ'相体积分数、粒径及晶格失配等参数构建与预测目标屈服强度的映射关系。通过簇成分公式约束元素配比，设计出三种低密度HESAs（R1-R3），实验验证其性能：密度7.98 g/cm³的R3合金在室温及1023 K下屈服强度分别达1346 MPa和1061 MPa，该合金在1023 K下蠕变断裂寿命达149 h，远超传统合金。该成果以“Developing novel low-density high-entropy superalloys with high strength and superior creep resistance guided by automated machine learning”为题发表在Acta Materialia 285 (2025): 120656。

图1展示了一个用于设计HESA的机器学习框架，包含数据收集、正向设计、反向设计和实验验证四个关键步骤。首先，收集包含化学成分和微观结构参数（如晶粒尺寸、γ'相体积分数、粒径及晶格失配）的超合金数据集，并通过JMatPro软件补充缺失数据。正向设计利用AutoGluon模型建立成分与屈服强度的预测关系，结合微观结构特征实现高精度预测。反向设计则通过嵌入簇公式([(Aln1Tip1Nbq1Tas1)−(NitFeuCov)][(Aln2Tip2Nbq2Tas2)(CrxMoyWz)])约束成分空间，并使用遗传算法优化目标性能（如低密度、高强度），有效缩小搜索范围。最后，通过实验验证预测成分，并将新数据反馈至模型迭代改进，确保预测与实验一致，成功开发出如R3合金([(Al,Ti,Nb)-(Ni8.5Co2.5Fe1)](Al,Ti,Nb)0.8(Cr2.95Mo0.25))的优异材料。