8月4日消息,研究人员在arXiv发表论文(2608.03805),提出一种物理信息机器学习框架用于难熔复杂成分合金(Refractory Complex Concentrated Alloys, CCA)的力学性能预测和设计加速。
难熔CCA在高温下展现出优异的力学性能,在航空航天发动机、核反应堆结构件等极端环境应用中前景广阔。然而其巨大的成分空间(约10^15种可能组合)使传统实验探索几乎不可行,亟需计算筛选工具。
研究团队开发的框架结合了分位数梯度提升(Quantile Gradient Boosting)与Born力学稳定性约束,可预测八项关键力学性能:体模量B、剪切模量G、维氏硬度Hv、弹性常数C11/C12/C44、杨氏模量E和泊松比v。模型基于393个密度泛函理论(DFT)计算数据点训练。
该方法的创新之处在于将物理约束直接嵌入机器学习模型:Born稳定性判据确保预测的弹性常数组合在热力学上稳定,避免了纯数据驱动方法可能产生的不物理预测。分位数回归则不仅给出性能的期望值,还提供置信区间,支持合金设计中的风险评估。
论文展示了该框架在Nb-Mo-Ta-W系难熔合金中的应用验证,预测结果与实验数据一致性良好。难熔高熵合金是下一代高温结构材料的研究热点,传统试错法开发周期长达数年。该框架将候选合金筛选从实验阶段提前到计算阶段,可显著缩短新合金从设计到应用的周期。
（来源：arXiv）