德州农工大学Acta Mater.: 机器学习用于快速评估高熵合金的弹性性能

高熵合金（HEAs）是一类新型材料，具有有趣的电子特性和优异的机械性能。基于耐火材料的HEA（RHEA）是一类特殊的HEA，显示出巨大的应用潜力。然而，过高的计算成本和第一性原理方法的不确定性限制了使用传统方法探索其指数级组合设计空间。

在此，美国德州农工大学Guillermo Vazquez, Prashant Singh及Raymundo Arróyave等人开发了基于描述符的机器学习（ML）框架模型，用于在广阔HEA空间中快速探索机械性能。

具体而言，作者以基于耐火材料的Nb-Ta-Mo-W-V HEAs举例说明了基于描述符的分析模型对合金空间进行快速探索的能力。在从DFT计算获得的弹性属性数据库上，使用基于确定独立筛选和稀疏算子（SISSO）的ML方法训练可靠、最优和可解释的分析描述符。作者还对目标特性进行了详细分析，通过关联常见的元素/合金特征以优化描述符，从而更好地解释提出的分析模型，这与黑盒ML模型明显不同。

Nb-Ta-Mo-W-V HEA的预测刚度矩阵用于评估技术上有用的量（如屈服强度），这些量可识别与熵的最佳组合更相关的高强度区域、具有大尺寸效应的区域、大的电负性方差和高相稳定性区域等。

图1. 采样、特征构建和特征分析过程的示意图

上述预测的趋势与有限的现有实验相匹配，进一步建立基于描述符的廉价方法可以加速技术上有用HEA的设计。甚至，弹性关系也在五元合金空间中表现出与屈服强度相似的行为，这表明使用分析描述符是估计延展性的更直接方法。

此外，作者还注意到具有优异机械性能的合金成分不一定具有最高化学熵或价电子数。例如，作者在低熵区域发现了具有高强度和高相稳定性（低形成焓）的成分，这再次质疑了将重点放在最大化熵以获得更好的机械性能上的做法。总之，这项工作强调，计算成本低廉的ML模型对于彻底和准确地搜索广阔的HEA组合空间以识别具有理想目标属性的区域非常重要。为此，对合金空间的无约束搜索允许进一步优化HEA成分，且各种机械性能的系统研究将有利于加速寻找技术上有用的HEA。

图2. 杨氏模量描述符-交叉验证和误差分析

Efficient machine-learning model for fast assessment of elastic properties of high-entropy alloys, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117924

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/69288639e4/

德州农工大学Acta Mater.: 机器学习用于快速评估高熵合金的弹性性能

相关推荐

发表回复