新模型预测层错能！协同探索FCC高熵合金强度Pareto最优解

　　导读
　　结合DFT计算、机器学习（ML）和物理模型来预测FCC CoCrFeMnNiV-Al高熵合金空间中的层错能（SFE）。性能最好的ML模型能够准确预测该7种元素系统中任意成分的SFE。该有效模型与最近开发的估算FCC 高熵合金固有强度的模型可协同用于探索强度-SFE 的Pareto最优解，有望成为有趣力学行为研究的新型候选合金。
　　高熵合金（HEA）与传统合金的不同之处在于，其往往位于成分中心。迄今为止，许多HEA表现出与传统合金相当的性能。然而，一些HEA确实表现出优于其简单对应物的性能，包括高强度和高延展性、可改善的抗疲劳性、高断裂韧性和高热稳定性。此外，HEA的成分复杂性可用于设计能够克服目前限制传统合金性能的合金。
　　层错能（SFE）是一种固有的合金特性，与FCC合金的塑性变形模式紧密耦合。除了滑动之外，通过激活塑性变形机制，有可能克服限制结构材料性能空间的强度-延性的制衡关系。尽管SFE多年来一直被认为是一种关键的内在力学性能，但通过试验观察或使用密集型第一性原理方法估算SFE是具有挑战性的，这意味着这一非常重要的合金化指标主要用于使观察到的合金在机械变形下的行为合理化，而非作为易于优化的＂设计指标＂， 这也限制了SFE作为合金设计参数的广泛应用。
　　近日，美国加尼福利亚大学的研究团队联合哥伦比亚大学、得克萨斯农工大学等提出了一种探索和开发FCC HEA中SFE的方法。研究成果以题为＂Towards stacking fault energy engineering in FCC high entropy alloys＂ 发表于材料顶刊《Acta Materialia》。该工作的核心是通过一个高度集成的框架弥补了现有科学界涉及化学对SFE影响的稀缺，该框架结合了CALPHAD的合金分析、有限数量合金中SFE的DFT预测，以及能够预测整个CoCrFeMnNiV-Al FCC HEA空间的SFE的ML模型。
　　首先进行了基于CALPHAD的穷举搜索，筛选了大部分可用空间，重点识别出与合金相对应的可行区域，这些合金具有一定的合成概率和合理的相稳定性特征。之后在轴向次近邻伊辛（ANNNI）模型中采用基于可靠第一性原理DFT的SFE估计，并通过直接SFE计算确认。该方法为SFE提供了准确的预测，而忽略广义层错能面（GSFES）的计算中的不确定性。DFT估算的SFE构成了FCC HEA中最大的SFE数据集，据此开发了一个准确且易于评估的ML模型，包括作为通过独立筛选和分离操作独立筛选和分离操作（SISSO）框架开发的合金特征的函数的SFE完整分析表达式。
　　这些模型仅限应用于优化材料（设计）空间中。因此，将SFE模型与同样易于配置的基于物理的固有强度模型相结合，以探索强度-延性权衡的Pareto最优解。分析表明，SFE和强度模型的结合产生的候选合金比通过DFT方法明确研究的合金强约100 MPa，证明了ML辅助方法的有用性。对Pareto最优解的检验也表明，强度和SFE之间并没有很强相关性。
　　这一重大发现意味着有设计具有特定内在强度水平和主要塑性变形机制的fcc HEA可行性，同时还为FCC HEA的性能设计提供了更多的自由度。
　　免责声明：本文原创自期刊正式发表论文，仅供学术交流，数据和图片来源于所属出版物，如有侵权请联系删除。