Anmaterials informatics approach to Ni-based single crystal superalloys

latticemisfit prediction

Xue Jiang,Hai-Qing Yin, Cong Zhang, et.al

ComputationalMaterials Science. 2018, 143

  在镍基单晶高温合金中γ和γ'相的晶格错配度对显微组织的稳定性和高温蠕变和疲劳抗力起着至关重要的作用。因此快速准确地预测晶格错配度是非常重要的，特别是对于昂贵、耗时、耗材的材料试错设计法。在本研究中提供了一种使用化学成分、枝晶信息和测量温度等相关材料描述符来预测错配度的机器学习方法。在实验数据集上使用线性或多核的支持向量回归、序贯最小优化回归和多层感知器算法选择适当的模型，多层感知器模型具有较高的相关系数和较低的误差值，具有良好的预测性能。通过将预测的晶格错配度与广泛使用的经验公式和实验观测值相比较，验证了该方法的正确性。

材料信息学，机器学习，镍基高温合金，晶格错配，合金设计

图1：（a）γ和γ'相的晶格错配度；（b）枝晶与枝晶中心之间的位置差异

图2：机器学习在训练集上的性能。（a）线性核的支持向量回归（SVR/lin）；（b）多核的支持向量回归（SVR/poly）；（c）归一化聚核SMO回归（SMOreg/norpoly）；（d）多核SMO回归（SMOreg/poly）；（e）多层感知器（MLP）。

图3 训练集上的机器学习模型的相关系数

图4： 数据集上机器学习模型的MAE（平均绝对误差）和RMSE（均方根误差）。

图5 CCBE、WATANABE（1957）计算和MLP预测的错配度对比

  与机器学习算法相结合的信息学方法为材料设计提供了一种新的方法，特别是镍基单晶高温合金的晶格错配问题。在本文中，我们手工从开放获取文献中积累相关数据集，并构造专用的镍基单晶高温合金数据库进行数据重用。再进行数据预处理之后，采用SVR（支持向量回归）, SMOreg（序贯最小优化回归）和MLP（多层感知器）机器学习算法训练线性和多核的错配度模型，以选择最合适的模型。最终选择了具有高相关系数、低MAE和RMSE值的预测性能的MLP模型。另外，通过对比MLP错配模型和众所周知的经验公式的预测精度，发现MLP模型表现更好。因此，机器学习辅助方法加速了在少量实验和测量的基础上的定量错配预测过程。这对降低合金设计的时间和成本具有重要意义。在目前的研究中，我们考虑了试样的成分、枝晶信息、形状尺寸和温度的影响。然而其它决定错配度的关键因素，包括不同的热处理参数和应力约束的影响，将在未来进行研究。决定蠕变和疲劳性能的错配因素的显式规则，有望用于镍基单晶高温合金的逆向设计。

  隐石检测拥有一批在业内取得显著成就的专业技术人员，在行业内有着丰富的检测经验。秉承着专注、专业、高效、想客户所想的理念，公司积极增加项目和完善更先进的测试仪器设备，保障每一个检测，分析，研发任务优质高效的完成。同时通过专业所长,为全球数万家优质客户提供最及时的行业技术标准信息，和更高精尖的分析检测解决方案。

　　隐石检测分别成立了阀门实验室，腐蚀实验室，金相实验室，力学实验室，无损实验室，耐候老化实验室。从事常压储罐检测，锅炉能效检测，金属腐蚀检测，应力应变检测，无损探伤检测，机械设备检测，金相分析，石墨烯纳米材料检测，水质检测，油品检测涉及的服务范围已广泛覆盖到钢铁材料，有色金属材料，石油化工设备，通用机械设备，冶金矿石，建筑工程材料、航空航天材料，高铁船舶材料，汽车用零部件、非金属材料，电子电工产品等各个领域，并获得了CMA和CNAS;双重认可。