《Intermetallics》：Development of a high-entropy alloy with both high corrosion resistance and hardness by data-driven intelligent design methods
编辑推荐：
本研究采用数据驱动和机器学习设计高熵合金（HEA），XGBoost模型预测腐蚀电位（R2=0.86），结合SHAP等分析筛选元素，确定Fe19.5Ni20.5Cr31.5Mn7.5Ti21合金，实验验证其腐蚀电位0.872V和硬度815.9HV，腐蚀抵抗源于Cr钝化，高硬度由Ti晶格畸变所致。
王秦英|吴一平|宋玉辉|李大晨|奚宇晨|张阳飞|白树林
中国西南石油大学新能源与材料学院，成都，610500
摘要
在严苛的摩擦腐蚀条件下，金属部件需要具备更强的耐腐蚀性和硬度。数据驱动的方法以及高熵合金（HEAs）丰富的成分空间为高效发现兼具高耐腐蚀性、高硬度和经济可行性的新型HEAs提供了可能性。本研究开发了多种机器学习（ML）模型来预测HEAs的耐腐蚀性（点蚀电位，E_p），其中XGBoost模型表现最佳（R^2 = 0.86）。通过SHapley Additive exPlanation（SHAP）、Individual Conditional Expectation（ICE）、Accumulated Local Effect（ALE）和Partial Dependence Plots（PDP）等解释技术，阐明了成分特征对E_p的影响，并指导了耐腐蚀元素的选择。在考虑硬度导向的大晶格畸变和经济可行性的前提下，确定了目标HEA的主要元素。通过遗传算法的反向设计，得到了目标成分Fe_{19.5}Ni_{20.5}Cr_{31.5}Mn_{7.5}Ti_{21}（重量百分比），实验验证表明该合金在3.5重量百分比的NaCl溶液中具有优异的耐腐蚀性和高硬度，点蚀电位E_p为0.872 V_SCE，硬度为815.9 HV。该合金包含HCP和BCC相。耐腐蚀性归因于Cr的钝化作用，而高硬度则源于Ti添加引起的显著晶格畸变。
引言
Cantor等人[1]提出了一种新的合金设计概念，旨在实现高熵合金（HEAs），其特征是包含多种主要元素和较高的混合熵。HEAs通常由五种或更多种主要元素组成，每种元素的浓度范围为5%至35%[2,3]，从而形成了广阔的成分空间。Shi等人[4]证明，HEAs的高构型熵有助于稳定固溶体并促进单相结构的形成。因此，HEAs被认为可以避免电偶腐蚀和局部腐蚀[5]。Gao等人[6]报告称，Al_{8}Nb_{22}Ti_{34}V_{4}Cr_{20}Mo_{12}由于形成了体心立方（BCC）-A2单相，其点蚀电位（E_p）达到2.5 V_SCE，是所有HEAs中最高的。Chou等人[7]发现，Co_{1.5}CrFeNi_{1.5}Ti_{0.5}Mo_{0.8}主要具有面心立方（FCC）相结构，其点蚀电位为0.9405 V_SCE。同时，HEAs具有原子无序和晶格畸变的特性，后者在阻碍位错运动和塑性变形方面起着重要作用[8]。Petr等人[9]报道，CoCrFeNiTi_{2.15}体系HEAs的硬度最高，达到1340 HV。Pan等人[10]观察到，AlCoCrNiNb_{0.7}体系HEAs的硬度达到880.14 HV。
在物理磨损和电化学腐蚀共存的恶劣环境中，设计HEAs需要同时优化高耐腐蚀性和高硬度。然而，目前关于这两种性能的研究中设计的HEAs之间缺乏重叠。例如，尽管Al_{8}Nb_{22}Ti_{34}V_{4}Cr_{20}Mo_{12}[6]的点蚀电位较高（2.5 V_SCE），但其硬度仅为484.5 HV。相反，Xing等人[11]通过Ti合金化使Al_{0.25}FeCoNiVTi_{0.7}的硬度提高了约860 HV，同时耐腐蚀性也有所提升，但点蚀电位仅提高到0.419 V_SCE。HEAs的耐腐蚀性主要取决于元素的作用[12]，而特定元素的添加会诱导晶格畸变，从而提高硬度和耐磨性[13]。因此，合理选择元素对于实现高耐腐蚀性、高硬度和经济可行性至关重要。
鉴于成分空间的广阔性，传统的试错方法在优化HEAs性能方面效率低下。越来越多的研究人员转向数据驱动方法和机器学习（ML）技术。这种范式转变显著降低了开发成本并提高了研究效率[14]。对于耐腐蚀HEAs，Zhang等人[15]将支持向量机（SVM）与SHapley Additive exPlanation（SHAP）和元素敏感性分析等模型解释技术相结合，这种策略有助于减少稀缺、成本高昂且具有环境毒性的元素的使用。在Cu-Ni-Co-Si体系中，该方法减少了Co的含量，同时保持了与原始合金相当的性能。Ozdemir等人[16]开发了一个基于随机森林（RF）的预测框架，用于识别具有增强耐腐蚀性的新HfNbTaTiZr基合金成分。在开发高硬度HEAs方面，也有相关研究报道。例如，Chang等人[17]使用人工神经网络（ANN）预测了非等摩尔比AlCoCrFeMnNi HEAs的硬度，从而设计出了硬度超过类似成分的HEAs。Qiao等人[18]采用Cuckoo Search-人工神经网络方法，以高硬度为主要性能目标，建立了Al-Cr-Co-Fe-Ni HEAs的成分与硬度之间的关联模型，为设计具有更高硬度的新型HEAs提供了基础。在摩擦腐蚀协同作用下，HEAs的使用寿命显著缩短。因此，为了满足环境保护和可持续性的要求，使用成本效益高的元素组合变得至关重要。然而，迫切需要采用数据驱动方法和ML技术来设计同时具备高耐腐蚀性、高硬度和经济可行性的HEAs。
本研究建立了一个HEAs腐蚀数据库。基于数据驱动方法和ML技术，开发了预测HEAs点蚀电位（E_p）的模型。通过可解释的分析方法揭示了成分特征对E_p的影响，这些结果为元素筛选提供了依据。为了提高E_p，通过诱导晶格畸变效应实现高硬度并保持成本效益，系统地选择了合适的元素类型。结合逆向成分设计，本研究成功发现了兼具高耐腐蚀性和高硬度的HEAs。
部分内容
腐蚀数据库的建立
数据来源于先前发表的研究文献（表S1）。记录的信息包括合金成分（以质量百分比表示，wt.%），如Fe、Ni、Co、Mn、Cr、Nb、Al、Mo、Cu、Ti、Zr、Sn、Hf、Ta、Si、C、W、V、B和Be等。此外，还记录了制备过程、条件、腐蚀环境、测试温度、电解质成分和参比电极的详细信息。腐蚀相关数据包括
模型开发及E_p的性能比较
遵循2.1.1节中的方法，建立了一个包含603个条目的全面HEAs腐蚀数据库（表S1）。当两个特征之间的绝对相关系数接近1时，表示它们之间存在强相关性，表明大致呈线性关系；相反，相关系数接近0则表示无相关性。使用皮尔逊相关系数方法生成了热图（图2）。
结论
本研究采用数据驱动和机器学习方法设计了HEAs。在元素选择方面受到模型解释技术的指导，并在硬度导向的大晶格畸变和经济可行性的约束下，通过逆向成分设计得到了目标成分，最终得到了一种兼具高耐腐蚀性、高硬度和经济可行性的HEAs。具体发现如下：
通过系统比较
CRediT作者贡献声明
王秦英：撰写 – 审稿与编辑、资金获取、概念构思。吴一平：撰写 – 审稿与编辑、初稿撰写、可视化、方法论、数据整理、概念构思。宋玉辉：撰写 – 审稿与编辑、方法论。李大晨：撰写 – 审稿与编辑、验证。奚宇晨：撰写 – 审稿与编辑、监督。张阳飞：监督。白树林：监督。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：王秦英表示获得了国家自然科学基金的支持；王秦英还获得了四川省科技厅的支持；王秦英还获得了CNPC-SWPU创新联盟的支持。如果还有其他作者，他们声明没有其他已知的利益冲突。
致谢
本研究得到了国家自然科学基金（编号：52174007）、四川省科技厅项目（编号：2025YFHZ0050）和CNPC-SWPU创新联盟（编号：2020CX040100）的财政支持。
