基于机器学习的方法研究铝和钨对多组分钴镍基超合金微观结构稳定性及力学性能的合金化影响

《Journal of Alloys and Compounds》：Machine learning assisted study of the alloying effects of Al and W on the microstructural stability and mechanical property of multi-component CoNi-base superalloys

　　

Biao Qiu|Fan Lu|Wendao Li|Jihai Yang|Songsong Hu|Manxiu Zhao

中国湘潭市411105，湘潭大学材料科学与工程学院，教育部低维材料与应用技术重点实验室

摘要

经γ′相强化的多组分钴镍基超合金在航空发动机和燃气轮机的高温部件应用中具有潜力。铝和钨是这类合金中形成γ′相的主要元素，但它们对微观结构稳定性和力学性能的影响尚未得到充分研究，这制约了这类合金的发展。另一方面，仅依靠传统实验方法进行研究存在成本高、周期长的缺点，尤其是对于多组分合金而言。本研究将机器学习与实验验证相结合，探讨铝和钨对多组分钴镍基超合金微观结构稳定性及力学性能的影响。机器学习预测表明，铝和钨会显著影响800℃时的γ′相溶解温度、γ′相体积分数以及屈服强度。为验证预测结果，研究人员熔炼了三种含不同铝和钨含量的实验合金。实验结果显示，添加铝会提高γ′相溶解温度并降低γ′相体积分数，而添加钨也会提高γ′相溶解温度，但对γ′相体积分数的影响较小。这些结果与机器学习预测的趋势基本一致，证明了本研究中建立的机器学习模型具有很高的准确性。压缩试验及后续分析表明，在800℃时，铝和钨都会降低材料的屈服强度。本研究为钴镍基超合金的成分设计及性能优化提供了理论依据和预测工具。

引言

航空发动机和燃气轮机的高温部件需要使用超合金，这类材料必须具备优异的微观结构稳定性、高温力学性能、抗氧化性以及较低的合金密度[1]、[2]、[3]、[4]。为了满足这些性能要求，必须加入多种合金元素。镍基超合金因其独特的γ′相析出强化机制而得到广泛应用，该机制能赋予材料出色的高温力学性能。然而，镍基超合金的γ′相溶解温度已接近其熔点，这一限制阻碍了其进一步发展。相比之下，钴基超合金的熔点更高[6]，因此具有更大的发展潜力。此外，传统钴基超合金的耐环境性能优于镍基超合金[1]、[7]、[8]，但由于缺乏γ′相析出强化机制，其在实际应用中存在局限性。

Sato等人[9]发现，钴铝钨三元合金具有与镍基超合金类似的γ/γ′两相微观结构，为钴基超合金的发展开辟了新路径。不过，狭窄的γ+γ′两相区域限制了这种材料的微观结构稳定性，进而阻碍了其发展[9]。Shinagawa等人[10]发现，添加镍可以有效扩大γ+γ′两相区域，提升微观结构稳定性，因此可以在这种新型钴基合金中引入更多合金元素。此后，经过改进，以γ′相强化的钴基超合金从早期的钴铝钨三元体系发展为多组分钴镍基合金[11]、[12]、[13]。需要注意的是，由于γ′相的稳定通常需要大量钨元素，这类合金的密度往往很高（ρ>9.0克/立方厘米），这限制了它们的工程应用[14]、[15]。而铝虽然也是形成γ′相的元素，但其密度极低（2.7克/立方厘米）。因此，优化铝和钨的含量，以实现γ/γ′相的微观结构稳定性、合金密度以及力学性能之间的平衡，对于推动新型钴基超合金的发展具有重要意义。

在多组分体系中研究合金元素作用时，面临的主要挑战在于多元元素相互作用所产生的复杂耦合效应。传统的试错法效率低下且成本高昂，尤其是在研究多元合金中的协同效应时更为如此。此外，当面对描述成分、微观结构与力学性能之间关系的复杂、非线性且规模庞大的数据时，传统的统计分析方法不仅效率不高，还常常无法揭示其中的规律。

基于机器学习的人工智能技术可以通过大数据训练大幅提升研究效率和新合金的开发速度[16]、[17]。近年来，研究人员已将机器学习技术应用于超合金的开发，并取得了显著成果。例如，Wang等人[16]提出了基于多任务学习的协同设计框架，用于开发新型钴基超合金。通过筛选，他们成功设计了具有优良综合性能的新合金，这些性能包括低密度、适宜的凝固温度范围以及良好的加工性能。Li等人[17]则利用自动化机器学习模型设计了具有高屈服强度和抗蠕变性能的高熵超合金，实验结果与预测值高度吻合。不过，目前仍有少数研究专门利用机器学习技术研究合金元素对钴基超合金的影响。该领域的研究大多仍依赖于传统实验[18]或CALPHAD计算[19]、第一性原理计算[20]等传统计算方法，而这些方法难以有效分析多组分合金中合金元素的作用。因此，引入机器学习方法对于研究多组分钴镍基超合金的合金化原理至关重要。

本研究通过结合机器学习预测与实验验证，系统研究了铝和钨对多组分钴镍基超合金微观结构稳定性及力学性能的影响。本研究使用的基准合金是由我们研究小组设计的模型合金Co?34Ni?9Al?2Ti?4Ta?6Cr?2Mo（百分比）。首先，利用机器学习模型预测不同铝和钨含量对该合金的γ′相体积分数、γ′相溶解温度以及屈服强度的影响。随后，设计了三种实验合金来验证预测结果，进而系统研究了相变温度、短期后的微观结构以及力学性能和变形机制。这项研究有助于深入理解多组分钴镍基超合金的合金化原理，为利用机器学习研究这类合金中合金元素的作用提供了示范案例，同时也为未来的工程应用提供了候选模型合金。

章节节选

机器学习方法

在本研究中，机器学习被用来建立多组分钴镍基超合金的成分与其三个关键性能指标之间的关系：γ′相溶解温度、γ′相体积分数以及屈服强度。用于训练机器学习模型的数据库是通过收集500多篇相关文献和专利中的实验数据，并结合我们研究小组的实验数据构建的。最终得到的数据集中包含284个关于γ′相溶解温度的样本数据

机器学习模型评估及元素作用预测

按照2.1节所述的机器学习方法，研究人员建立了用于预测800℃时γ′相溶解温度、γ′相体积分数以及屈服强度的预测模型，并对其性能进行了评估。图2展示了γ′相溶解温度预测模型的R2值和均方根误差值。结果表明，在预测γ′相溶解温度方面，支持向量机模型取得了最高的R2值（0.92）和最低的均方根误差值（32℃），因此被认为是最优模型

机器学习预测结果的评估

本研究利用机器学习预测模型研究了铝和钨对多组分钴镍基超合金在800℃时的γ′相溶解温度、γ′相体积分数以及屈服强度的影响，并通过实验进行了验证。如图3(a)和(b)所示，预测值与实验数据高度吻合，这说明所建立的机器学习模型

结论

本研究通过结合机器学习与实验验证，系统研究了铝和钨对多组分钴镍基超合金的微观结构稳定性以及中温力学性能的影响，主要结论如下：

• 1.
  本研究建立的机器学习预测模型在预测γ′相溶解温度和γ′相体积分数方面具有很高准确性，其R2值分别为0.92和0.94。预测结果与实验数据高度一致

CRediT作者贡献说明

Jihai Yang：可视化、软件开发。Wendao Li：论文撰写与修改、研究方法设计、资金筹集。Manxiu Zhao：论文撰写与修改、研究指导、数据整理。Songsong Hu：资源协调、资金筹集。Fan Lu：研究指导、定量分析。Biao Qiu：论文撰写与修改、初稿撰写、实验研究、数据整理、概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

作者感谢中国国家自然科学基金（项目编号：52201024、52301064）以及湖南省自然科学基金（项目编号：2022JJ40441、2022JJ40439）提供的支持。