机器学习驱动的Nb-Mo-Ta-W-V难熔高熵合金设计与性能优化研究

《Materials & Design》：Machine learning-driven design of refractory high-entropy alloys with high performance of hardness and corrosion resistance

本研究针对难熔高熵合金(RHEAs)在多性能协同优化方面的挑战，提出了一种集成机器学习框架。研究人员通过构建包含硬度、腐蚀电位(Ecorr)和腐蚀电流密度(Icorr)的数据库，采用基于树的集成算法开发了高性能预测模型。研究揭示了d电子浓度、平均电负性等关键描述符对硬度的主导作用，以及原子尺寸差(δr)和电负性差(Δχ)对腐蚀抗性的影响机制。实验验证表明，三种新设计的RHEAs性能预测准确率超过85%，为极端环境材料设计提供了新范式。

　　

在材料科学的前沿领域，难熔高熵合金(Refractory High-Entropy Alloys, RHEAs)正以其卓越的高温强度、出色的耐腐蚀性能和优异的热稳定性，成为极端环境应用的明星材料。这类由五种以上主要元素构成的合金，每个元素含量在5-35 at.%之间，自2004年由Yeh等人首次提出以来，就引发了研究热潮。特别是在2010年，Senkov等人成功合成了W-Nb-Mo-Ta和W-Nb-Mo-Ta-V两种代表性RHEAs，其高温机械性能甚至超越了传统的镍基高温合金，让人们对这类材料在燃气轮机、核反应堆部件等苛刻环境中的应用充满期待。

然而，RHEAs的发展正面临着一个关键瓶颈：如何在广阔的成分空间中精准平衡多重性能指标？传统的"试错法"实验方法效率低下、成本高昂，而理论参数与材料性能之间的弱相关性更是让设计工作雪上加霜。更复杂的是，不同性能之间往往存在此消彼长的权衡关系——例如，增强固溶强化的元素可能会破坏钝化膜的稳定性，从而降低耐腐蚀性。这种多目标优化的挑战，在复杂的多组分体系中显得尤为突出。

正是在这样的背景下，浙江机电职业技术学院增材制造研究所的Tao Wu研究团队在《Materials》上发表了一项创新性研究，他们开发了一种机器学习驱动的设计框架，成功实现了RHEAs硬度和耐腐蚀性能的协同优化。研究人员将目光聚焦于具有重要应用价值的Nb-Mo-Ta-W-V体系，通过集成多种先进技术方法，为复杂材料系统的理性设计开辟了新途径。

关键技术方法

研究团队建立了包含36篇文献数据的综合数据库，经过电化学净化处理后，最终获得157个硬度数据、93个E_corr数据和187个I_corr数据。采用随机森林(RF)、XGBoost、LightGBM和CatBoost四种基于树的集成算法构建预测模型，通过贝叶斯优化进行超参数调优。利用SHAP可解释性分析识别关键描述符，结合真空电弧熔炼制备合金样品，通过维氏硬度测试和电化学工作站进行实验验证。

机器学习模型构建与优化

研究人员首先建立了高效的硬度预测模型。通过严谨的特征选择过程，从53个初始描述符中确定了20个核心特征。结果显示，d电子浓度、平均电负性、平均熔点和混合熵这四个特征在所有模型中均位列重要性前十位。经过贝叶斯优化的随机森林算法表现最为出色，在测试集上达到了R²=0.9137的预测精度，RMSE仅为55.74 HV。

在腐蚀性能预测方面，研究团队针对E_corr和I_corr的不同物理本质采取了差异化策略。对于腐蚀电位E_corr，采用"电化学净化法"去除含Cu、Mn的样品，确保数据集的电化学一致性；对于腐蚀电流密度I_corr，则严格筛选仅含Nb、Mo、Ta、W、V的样品，保证腐蚀机制的一致性。优化的XGBoost模型在E_corr和I_corr预测中分别达到R²=0.8314和R²=0.8334的优异性能。

关键描述符的机理阐释

SHAP分析深刻揭示了影响合金性能的物理机制。在硬度方面，d电子浓度作为关键的电子结构描述符，通过增强金属键强度和位错运动阻力来提升硬度；平均电负性在1.8-1.9范围内调节电荷分布，优化化学键合特性；平均熔点直接反映原子间结合能，高熔点元素如W、Mo的引入显著增强高温变形抗性；混合熵则通过促进单相固溶体形成和引入晶格畸变强化来维持微观结构稳定性。

在腐蚀抗性方面，原子尺寸差(δr)和电负性差(Δχ)被确认为核心影响因素。较小的δr和Δχ值有助于形成均匀稳定的钝化膜，减少局部腐蚀倾向。特别值得注意的是，混合熵在12-14 J/(mol·K)的高熵范围内有助于维持韧性基体，而混合焓在-24至3 kJ/mol范围内呈现复杂的强化机制——适度的负值促进固溶强化，而过低的负值可能诱发金属间化合物析出。

新型合金设计与实验验证

基于机器学习模型的指导，研究团队成功设计了三种优化成分的RHEAs：Nb₂₂Ta₂₃Mo₂₂W₂₀V₁₃(合金A1)、Nb₁₅Ta₂₅Mo₂₅W₂₅V₁₀(合金A2)和Nb₂₅Ta₂₀Mo₂₀W₁₅V₂₀(合金A3)。实验结果表明，合金A1表现出最优的综合性能：硬度达到731.2 HV，腐蚀电位为-0.35 V，腐蚀电流密度为8.81×10^-7A/cm²，所有性能指标的预测准确率均超过85%。

扫描电镜微观结构分析显示，优化的合金成分形成了均匀的固溶体结构，各元素分布均匀，没有明显的偏析或第二相析出，这为优异的综合性能提供了微观结构基础。与文献中报道的TiZrHfNbTa RHEA(硬度552.74 HV，E_corr=-0.42 V，I_corr=1.12×10^-6A/cm²)相比，本研究设计的合金在硬度和腐蚀抗性方面均展现出明显优势。

研究结论与展望

该研究成功建立了一个高效的机器学习驱动框架，用于设计具有高硬度和优异腐蚀抗性的难熔高熵合金。通过多任务学习和可解释的SHAP分析，不仅实现了高性能RHEAs的精准预测，还深刻揭示了影响材料性能的关键物理机制。研究表明，硬度主要受电子结构参数(d电子浓度)和热力学参数(平均熔点、混合熵)控制，而腐蚀抗性则由几何化学参数(原子尺寸差、电负性差)主导。

这项工作的重要意义在于，它为解决复杂材料系统中的多目标优化问题提供了可借鉴的技术路径。机器学习方法不仅加速了新材料的发现过程，更重要的是通过可解释性分析为理解材料性能的物理本质提供了新视角。然而，当前研究提供的确定性预测尚未系统量化不确定性，未来开发集成不确定性量化的概率预测框架，将是推动该方法走向工程应用的关键。

这项研究成果为航空航天、海洋工程等极端环境下的材料应用提供了新的解决方案，也为其他多组分合金系统的性能优化和新材料开发树立了成功范例。随着机器学习技术在材料科学中的深入应用，我们有理由相信，更多高性能材料将以前所未有的速度被发现和优化，为人类应对极端环境挑战提供强有力的材料支撑。