[发明专利]基于数据驱动的高强高韧难熔高熵合金及制备方法

说明书

本发明公开了基于数据驱动的高强高韧难熔高熵合金及制备方法，涉及金属材料设计技术领域，其技术方案要点是：具体包括以下步骤：S1：收集难熔高熵合金样本；S2：筛选确定适合于合金各性能预测的多个基础模型，构成基础模型集；S3：确定难熔高熵合金优化设计的成分空间；S4：合并合金集合得到优化难熔高熵合金集；S5：计算出优化合金成分集内各合金的多目标性能期望提升值MOEI；S6：筛选确定MOEI最高的难熔高熵合金成分；S7：制备对应MOEI值最高的难熔高熵合金；S8：对制备获得的难熔高熵合金进行各目标性能的表征测试，获得多目标性能协同优化的目标合金材料。该方法所得的难熔高熵合金同时具备高强度和高韧性的特点。

技术领域

本发明涉及金属材料设计技术领域，更具体地说，它涉及基于数据驱动的高强高韧难熔高熵合金及制备方法。

背景技术

航空航天、能源国防等工业的快速发展对高温结构材料提出了越来越严苛的要求，传统镍基合金经过多年探索挖掘，应用温度已接近其性能极限，成分设计上的突破具有较大困难，制约了热端材料相关工业的发展，因此研发具有更高熔点和更优异性能的耐热合金，变得愈加迫切。Senkov等人结合难熔金属和高熵设计理念在2010年首次提出了难熔高熵合金，其通常由Mo、Ta、Nb、W等高熔点元素组成，具有突出的承温能力和良好的热稳定性，因而成为极端温度服役部件制造的新型潜力材料。

然而，面向高温应用的难熔高熵合金除高温强度突出外，普遍呈现室温韧性差的问题，这严重损害了合金的可加工性，同时难熔高熵合金成分设计中存在高温强度和室温韧性此消彼长的矛盾问题，如以Ta、Mo、W元素为主的合金通常高温强度优异，但室温塑性较差，含Hf、Nb、Zr元素的合金室温韧性突出，但高温强度不足。实现难熔高熵合金多目标性能的协同优化，是高温结构材料开发中亟需解决的一个关键问题。另一方面，难熔高熵合金通常由四种及以上主元构成，合金成分设计中可选的元素种类多、含量范围大，传统的基于直觉经验的试错实验方法表现低效，难以满足快速、准确的难熔高熵合金成分设计需求。因此，如何实现高性能难熔高熵合金材料的高效成分设计，成为高温结构和耐热合金研发领域的一大技术难题。

近年来，以机器学习为代表的数据驱动方法在合金研发中的作用越发凸显，通过建立输入特征与材料目标间的复杂关系，机器学习方法可实现材料性能的快速预测，因而在指导包括高熵合金在内的材料设计中发挥重要作用。中国发明专利(CN113870957A)公开了一种基于机器学习的共晶高熵合金成分设计方法和装置，通过训练机器学习模型，预测对共晶形成具有重要影响的关键元素和与关键元素强相关元素，指导能够形成共晶的高熵合金成分设计。中国发明专利(CN112216356A、CN115061435A、CN114464274A)均可指导基于硬度需求的高熵合金成分设计。

发明内容

本发明的目的是提供基于数据驱动的高强高韧难熔高熵合金及制备方法，该发明解决了背景技术中提到的技术问题。

本发明的上述技术目的是通过以下技术方案得以实现的：基于数据驱动的高强高韧难熔高熵合金的制备方法，具体包括以下步骤：

S1：收集难熔高熵合金样本，通过数据预处理后建立难熔高熵合金数据集；

S2：通过难熔高熵合金数据集，分别针对合金各目标性能训练多个机器学习模型，评估模型泛化预测性能，依次筛选确定适合于合金各性能预测的多个基础模型，构成基础模型集；

S3：确定难熔高熵合金优化设计的成分空间；

S4：设置待优化合金各目标性能的高值阈值，利用S2中得到的基础模型分别预测成分空间内合金的各目标性能，基于阈值设定进行合金成分的初步筛选，分别得到模型预测值高于各目标性能阈值的合金集合，然后合并合金集合得到优化难熔高熵合金集；