Anmaterials informatics approach to Ni-based single crystal superalloys
latticemisfit prediction
Xue Jiang,Hai-Qing Yin, Cong Zhang, et.al
ComputationalMaterials Science. 2018, 143
摘要
在鎳基單晶高溫合金中γ和γ'相的晶格錯配度對顯微組織的穩定性和高溫蠕變和疲勞抗力起著至關重要的作用。因此快速準確地預測晶格錯配度是非常重要的，特別是對于昂貴、耗時、耗材的材料試錯設計法。在本研究中提供了一種使用化學成分、枝晶信息和測量溫度等相關材料描述符來預測錯配度的機器學習方法。在實驗數據集上使用線性或多核的支持向量回歸、序貫最小優化回歸和多層感知器算法選擇適當的模型，多層感知器模型具有較高的相關系數和較低的誤差值，具有良好的預測性能。通過將預測的晶格錯配度與廣泛使用的經驗公式和實驗觀測值相比較，驗證了該方法的正確性。
關鍵詞
材料信息學，機器學習，鎳基高溫合金，晶格錯配，合金設計
文章部分附圖
圖1：（a）γ和γ'相的晶格錯配度；（b）枝晶與枝晶中心之間的位置差異
圖2：機器學習在訓練集上的性能。（a）線性核的支持向量回歸（SVR/lin）；（b）多核的支持向量回歸（SVR/poly）；（c）歸一化聚核SMO回歸（SMOreg/norpoly）；（d）多核SMO回歸（SMOreg/poly）；（e）多層感知器（MLP）。
圖3 訓練集上的機器學習模型的相關系數
圖4： 數據集上機器學習模型的MAE（平均絕對誤差）和RMSE（均方根誤差）。
圖5 CCBE、WATANABE（1957）計算和MLP預測的錯配度對比
結論
與機器學習算法相結合的信息學方法為材料設計提供了一種新的方法，特別是鎳基單晶高溫合金的晶格錯配問題。在本文中，我們手工從開放獲取文獻中積累相關數據集，并構造專用的鎳基單晶高溫合金數據庫進行數據重用。再進行數據預處理之后，采用SVR（支持向量回歸）, SMOreg（序貫最小優化回歸）和MLP（多層感知器）機器學習算法訓練線性和多核的錯配度模型，以選擇最合適的模型。最終選擇了具有高相關系數、低MAE和RMSE值的預測性能的MLP模型。另外，通過對比MLP錯配模型和眾所周知的經驗公式的預測精度，發現MLP模型表現更好。因此，機器學習輔助方法加速了在少量實驗和測量的基礎上的定量錯配預測過程。這對降低合金設計的時間和成本具有重要意義。在目前的研究中，我們考慮了試樣的成分、枝晶信息、形狀尺寸和溫度的影響。然而其它決定錯配度的關鍵因素，包括不同的熱處理參數和應力約束的影響，將在未來進行研究。決定蠕變和疲勞性能的錯配因素的顯式規則，有望用于鎳基單晶高溫合金的逆向設計。
隱石檢測擁有一批在業內取得顯著成就的專業技術人員，在行業內有著豐富的檢測經驗。秉承著專注、專業、高效、想客戶所想的理念，公司積極增加項目和完善更先進的測試儀器設備，保障每一個檢測，分析，研發任務優質高效的完成。同時通過專業所長,為全球數萬家優質客戶提供最及時的行業技術標準信息，和更高精尖的分析檢測解決方案。
隱石檢測分別成立了閥門實驗室，腐蝕實驗室，金相實驗室，力學實驗室，無損實驗室，耐候老化實驗室。從事常壓儲罐檢測，鍋爐能效檢測，金屬腐蝕檢測，應力應變檢測，無損探傷檢測，機械設備檢測，金相分析，石墨烯納米材料檢測，水質檢測，油品檢測涉及的服務范圍已廣泛覆蓋到鋼鐵材料，有色金屬材料，石油化工設備，通用機械設備，冶金礦石，建筑工程材料、航空航天材料，高鐵船舶材料，汽車用零部件、非金屬材料，電子電工產品等各個領域，并獲得了CMA和CNAS;雙重認可。
官網微信
