一种用于预测严重变形材料晶粒细化和硬度的机器学习方法

《Materials Science and Engineering: A》：A machine learning method to predict grain refinement and hardness of severely deformed materials

纳米晶材料通过剧烈塑性变形可显著提升硬度与强度，但高熵合金因成分复杂、实验成本高，传统试错法难以优化。本研究利用机器学习模型预测高压扭转（HPT）处理材料的晶粒细化效果与硬度，揭示变形温度、压力、应变及应变率等加工参数与材料 intrinsic properties（成分、晶体结构、熔点等）对微观组织和力学性能的协同作用，为高效探索多主元合金提供新方法。

　　

Hamed Shahmir | Sina Kooshamanesh | Terence G. Langdon

材料工程系，塔比阿特莫达雷斯大学，14115-111，德黑兰，伊朗

摘要

通过剧烈塑性变形处理的纳米晶材料表现出更高的硬度和强度。然而，使用试错实验来探索晶粒细化对具有广泛化学成分的高熵合金性能的影响是一个耗时且成本高昂的过程。本报告展示了机器学习模型预测通过高压扭转处理的材料的晶粒细化和硬度的能力，并进一步阐明了不同参数对这些材料的微观结构和机械性能的重要性。

引言

剧烈塑性变形（SPD）在块状晶体材料中施加高应变，导致超细晶（UFG）和纳米晶（NG）材料的产生。已经有许多尝试来基本理解SPD过程中的微观结构演变，特别是这种处理对材料晶粒细化和强度的影响[1]、[2]、[3]、[4]。实际上，现在有多种SPD处理方法[5]，其中最重要的是高压扭转（HPT），在这种方法中，圆盘形试样在两个重型砧座之间进行简单剪切变形，同时受到高压和扭转应力的作用，而工件的整体尺寸没有显著变化[6]、[7]、[8]。 基本上，使用HPT可以调节材料的结构，这是其他传统SPD技术无法实现的，这为研究一系列独特的纳米结构提供了机会。因此，HPT可以在微观结构中产生额外的自由体积，包括晶格中的空位、晶体界面、位错、晶界、三相交界处的纳米空洞，在某些情况下甚至会产生微裂纹[8]、[9]、[10]、[11]。SPD过程中达到的饱和晶粒尺寸和强度受到许多参数的影响，这些参数可以分为内在材料属性或加工参数。化学成分、晶体结构、初始晶粒尺寸、堆垛错能和原子键合被认为是内在材料属性，而变形温度、施加的应变和应变率则是固有的加工参数。这些参数的潜在变化使得进行预测性处理和优化变得具有挑战性。 在过去的二十年里，人们普遍对基于多主元素合金或高熵合金（HEAs）的高性能合金加工产生了兴趣，以便它们能在各种工业应用中发挥重要作用[12]、[13]、[14]、[15]、[16]。然而，对这些合金的任何研究都存在问题，因为从相图的边缘向中心移动会引入大量的成分空间，用于设计和开发复杂的浓缩合金。此外，基于试错实验来探索这些合金既昂贵又耗时。因此，需要其他高效的方法来搜索这一广阔的成分空间，以确定适用于特定应用的有前景的合金成分。 在人工智能的背景下，机器学习（ML）提供了一种有前景的方法，可以从现有数据中学习，从而更高效地预测冶金特性，无论是从时间、材料还是总成本的角度来看[17]、[18]。目前，ML在材料科学中的应用日益增多，它在从成分和加工条件预测材料微观结构和性能方面取得了显著进展[18]、[19]、[20]。值得注意的是，这种方法也被用于预测和优化HEAs的不同方面[21]、[22]、[23]、[24]、[25]。例如，ML模型已被成功用于设计出具有抗脆性σ相形成的创新HEAs，从而表现出增强的机械特性[26]。最近，使用ML描述了热机械加工变量与HEA机械性能之间的关系，以根据施加的加工参数预测机械性能[27]。 目前有许多报告研究了不同参数对HPT加工过程中金属和合金晶粒细化和硬度的影响，但本研究专门探讨了使用ML预测HPT处理材料的微观结构和强度的潜力。如果成功，这一工具将能够探索不同化学成分的合金在无限空间内的HPT处理效果，特别是那些难以制造且成本高昂的多组分和高熵合金，从而预测这些材料可实现的最小晶粒尺寸和最大强度。

方法论

方法

收集了一组包含单相微观结构或次要相含量可忽略的金属和合金的数据集，这些材料是通过HPT处理的，涵盖了140篇已发表的记录。该数据集包括纯金属Fe [28]、Al [7]、[29]、Ni [28]、[30]、Mg [31]、Zn [32]、V [33]、Mo [33]、Zr [34]、Ta [35]、Hf [36]、Nb [37]、Cr [37]、Co [28]、[38]、Cu [39] 和 Ti [40]，以及低熵合金如 Al-4.1Mg [41]、Ti-45Al-7.5Nb [42]、Ti-6Al-4V [43]、[44]、NiTi、NiTiHf、NiTiCu [45]、AZ31、AZ91

结果

图1显示了输入变量（绿色表示）和输出变量（蓝色表示）的分布，分别代表晶粒尺寸和硬度。大多数输入变量的分布高度偏斜，因此应用了分位数转换来减少变量的偏斜。值得注意的是，研究了具有不同晶体结构的材料，包括体心立方（BCC）、面心立方（FCC）和hexagonal close-packed（HCP），在ML中，这些结构被转换为数值标签，即 BCC = 0, FCC = 1

讨论

基本上，加工参数和内在材料属性是控制HPT处理过程中饱和晶粒尺寸和硬度的两个关键因素。变形温度、施加的压力、旋转次数（施加的应变）和旋转速度（应变率）被认为是HPT处理中的加工参数[70]、[71]、[72]。变形温度的影响在/Tm的比值中变得重要，其中Tm表示同温线

结论

本研究旨在探讨ML模型预测HPT处理材料的晶粒细化和强度的能力。收集了通过HPT处理的金属和合金的数据集，涵盖了140篇已发表的记录。内在材料属性包括化学成分、晶体结构、熔点、晶格参数、原子半径差、剪切模量、初始晶粒尺寸和硬度。这些值与适当的加工参数一起

CRediT作者贡献声明

Hamed Shahmir：撰写——原始草稿，监督，资源管理，项目管理，方法论，数据管理，概念化。Terence Langdon：撰写——审阅与编辑，验证，数据管理。Sina Kooshamanesh：撰写——审阅与编辑，可视化，软件开发，方法论，研究，正式分析

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了伊朗国家科学基金会（INSF）的支持，资助协议编号为4040316。