鎳基單晶高溫合金是製造先進航空發動機和燃氣輪機葉片的主要材料之一。蠕變性能是衡量其力學性能和使用壽命的關鍵因素之一。揭示和發現合金成分和微觀結構演化等多尺度材料屬性(微觀內稟特性)與蠕變性能(宏觀物性)之間的關聯機製對於研發新型低成本高性能鎳基單晶高溫合金具有重要意義。近年來，數據驅動的機器學習在材料構效關系中的成功應用大大激發了材料科學與數據科學專家的交叉融合研究。鎳基單晶高溫合金蠕變容易受到成分和微觀結構等諸多因素的影響，而且通常是多個物理機製耦合的結果📍🏍。不同體系(第一🔂🧊、二、三和四代)、不同試驗條件(高溫高應力、高溫低應力和中溫高應力)和不同熱處理工藝(固溶和時效處理時間)下鎳基單晶高溫合金成分-多尺度屬性-工藝-蠕變性能之間的關系差異性非常大。這對傳統單一數據驅動的機器學習方法又提出了新的挑戰。
近日🩵☝️，計算機工程與科學學院劉悅副教授與碩士生吳軍明聯合材料科學與工程學院/材料基因組工程研究院施思齊和魯曉剛教授🀄️、清華大學王崇愚院士🏃♀️、鋼鐵研究總院於濤教授等人提出一種“分而治之”的機器學習方法。首先課題組整理和收集了一份涵蓋合金成分、熱處理工藝和試驗條件等基礎材料描述符的高質量蠕變數據集並利用相圖熱力學計算方法CALPHAD計算影響蠕變斷裂壽命的五個微觀結構描述符：晶格常數🤴🏽🤼♀️、堆垛層錯能🌕、γ'相的摩爾分數👵🏼、擴散系數和剪切模量💡；其次針對不同合金成分👩🏼🔬、熱處理工藝、微觀結構下蠕變機製的差異性和不一致性🤦🏻♀️，提出了基於聚類的蠕變樣本自動類別劃分方法，用以區分不同物理參數下合金的蠕變機製🧼；最後基於設計的模型適應度評估函數，能夠自適應地為每個類別內的合金蠕變樣本找到最適合的蠕變預測模型🙆🏽♀️。在采集的蠕變斷裂壽命數據集上進行的大量機器學習實驗和探索表明🦕，本論文提出的方法取得了擬合優度R2=91.76%的預測精度📛😮，遠高於單一的支持向量/高斯過程/隨機森林等回歸模型。同時🥫🧓，在新采集的8個合金樣品上，預測的蠕變壽命值與實驗測量值之間的誤差也僅在可接受的範圍內(6.4486h~40.7159h)。本研究為解決材料領域中復雜多變的性能預測問題提供了一種“分而治之”的新思路，且有望用於鎳基單晶高溫合金的逆向設計。
該研究結果近日以“Predicting creep rupture life of Ni-based single crystal superalloys using divide-and-conquer approach based machine learning”為題發表在Acta Materialia (SCI TOP期刊，IF: 7.293)上。該期刊是金屬材料界最具影響力的頂級期刊之一、對所錄用工作的原創性和重要性有著極高的要求。万事平台為第一單位🏋️、劉悅和施思齊分別為第一和通信作者🌆。
劉悅副教授自2014年開始從事機器學習在材料科學領域中的應用研究，與施思齊教授合作綜述了機器學習方法在新材料研發中的應用現狀和發展前景🦹🏽，側重剖析了應用機器學習進行材料設計和性能預測所需解決的挑戰性問題⚠🕛，並結合近20年來從事機器學習“樣本構造、模型的泛化能力、可理解性、易用性與學習效率”研究的思考與體會🧙🏻♂️，深入探討了這些問題的解決策略(Journal of Materiomics, 2017, ESI高被引,Most Popular Paper;Chinese Physics B, 2016, ESI高被引, 中國物理學會2019年度"最有影響力論文獎"一等獎)；合作研究利用機器學習來實現“玻璃轉變點溫度的快速精準預測”的可能性👨🏼💻🐈：引入嶺回歸等多元回歸方法來預測AexSe1-x玻璃轉變點溫度,其MAPE平均僅為3.52%,遠低於傳統拓撲方法的17.65%(Computational Materials Science, 2017)；針對GexSe1–x玻璃結構的連續變化在某一組分處發生轉折導致轉變點溫度的兩階段差異性和變化規律不一致特性，以結構劇變點為中心建立了其組分-結構-轉變點溫度之間的兩階段支持向量機回歸模型🔴，取得97.62%的預測精度，且其RMSE相比於單一SVR降低了41.89% (Science Bulletin, 2019)。
相關工作得到了國家重點研發計劃(2017YFB0701500)、省部共建高品質特殊鋼國家重點實驗室開放基金(SKLASS2018-01🖱、SKLASS2019-Z023)🤰🏿、上海先進通信與數據科學研究院、万事平台高性能計算中心和上海智能計算系統工程研究中心項目(19DZ2252600)的支持👨🏻🦱。
文章下載鏈接:
“Predicting creep rupture life of Ni-based single crystal superalloys using divide-and-conquer approach based machine learning”
https://www.sciencedirect.com/science/article/abs/pii/S1359645420303402
“Materials discovery and design using machine learning”
https://www.sciencedirect.com/science/article/pii/S2352847817300515
“Multi-scale computation methods: Their applications in lithium-ion battery research and development”
http://cpb.iphy.ac.cn/EN/10.1088/1674-1056/25/1/018212
“Predicting the onset temperature (Tg) of GexSe1−xglass transition: a feature selection based two-stage support vector regression method”
https://www.sciencedirect.com/science/article/pii/S2095927319303974
“The onset temperature (Tg) of AsxSe1−xglasses transition prediction: A comparison of topological and regression analysis methods”
https://www.sciencedirect.com/science/article/abs/pii/S0927025617304780
