高熵合金新发现！多团队联手实现抗氧化性高精度预测，增加铝/铬/硅含量可有效改善

关注

原创最新推荐文章于 2026-11-14 14:45:05 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

LAMMPS实操系列(一): 大量FCC-CoCrCuFeNi高熵合金建模与最稳定结构筛选高熵合金（High-entropy alloys，HEA），是由五种或五种以上等量或大约等量金属形成的合金。由于高熵合金可能具有许多优秀的物理化学性质，因此在材料科学领域受到广泛关注阅读详情

涡轮叶片作为飞机发动机中最重要的部件之一，需要在超过 1000℃ 的高温下持续工作，同时承受巨大的机械应力。2018 年，美国西南航空的一架商用客机在飞行途中突然发生发动机故障，导致紧急迫降。事后调查发现，故障的根源是发动机涡轮叶片在高温环境下发生了氧化和腐蚀，最终导致结构失效。

这一事件不仅让航空公司蒙受巨大损失，也让科学家们意识到：传统的高温材料已经接近性能极限，亟需一种更强大的材料来应对未来的挑战。

长期以来，镍基超合金一直是制造涡轮叶片的首选材料，但随着航空发动机性能的不断提升，镍基超合金的性能逐渐接近极限。科学家们开始寻找能够在更高温度、更恶劣环境下稳定工作的新型材料。于是，难熔高熵合金 (RHEAs) 和难熔复合高熵合金 (RCCAs) 应运而生。

这些新材料因其独特的成分和结构，展现出惊人的高温性能，被誉为「下一代高温材料的希望」。但问题也随之而来：如何快速、准确地预测这些新材料在高温环境下的抗氧化性能？

传统方法不仅耗时费力，更难以应对复杂合金体系的多样性。近期，来自法国波尔多大学、日本国立材料科学研究所、中国台湾国立清华大学、比利时鲁汶大学、比利时 WEL 研究所的联合研究团队，通过梯度提升决策树 (GBDT) 技术，成功实现了对 RHEAs 和 RCCAs 抗氧化性能的高精度预测， 为材料科学领域带来了一场革命性的突破。

相关成果以「Advancing refractory high entropy alloy development with AI-predictive models for high temperature oxidation resistance」为题，发表于材料科学领域期刊 Scripta Materialia。

在这里插入图片描述

论文链接：
https://doi.org/10.1016/j.scriptamat.2024.116394
开源项目「awesome-ai4s」汇集了 200 余篇 AI4S 论文解读，并提供海量数据集与工具：

https://github.com/hyperai/awesome-ai4s

寻找镍基超合金的完美替代，AI 有望解决氧化预测难题

现代工业的飞速发展离不开材料科学的不断革新。从航空航天到能源开发，从电子设备到医疗器械，每一次技术的飞跃都伴随着新材料的诞生。其中，高温合金凭借其卓越的性能，始终扮演着核心角色。

高温合金是一种能够在极端高温环境下保持高强度、抗氧化性、抗热腐蚀、抗疲劳性、断裂韧性和稳定内部组织的高性能材料。其主要由铁、镍、钴等元素构成，并辅以钛、铝、铬、钼、钨等元素。根据基体元素的不同，高温合金可分为铁基、镍基和钴基三大类。

其中，铁基高温合金常用于发动机中工作温度较低的部位；镍基高温合金因其出色的高温强度，广泛应用于航空发动机和工业燃气轮机的最热端部件，占高温合金总需求量的 80% 左右；钴基高温合金则因其优异的铸造性和焊接性，成为导向叶片材料的理想选择。

在全球四大高温合金体系中，镍基均占据着颇为核心的重要地位。近年来，难熔高熵合金 (RHEAs) 和难熔复合高熵合金 (RCCAs) 成为高温应用领域的重要候选材料。这些合金以多种主要难熔元素 (如 Zr、Hf、V、Nb、Ta、Cr、Mo、W 和 Re) 的混合为特征，并添加少量的 Al、Si 或 Ti。它们通常展现出优于传统材料的力学性能和更高的熔点，能够承受超过 1000°C 的高温， 与镍基超合金形成有力竞争。然而， RHEAs 和 RCCAs 的开发也面临着重大挑战，容易被氧化，这一问题在许多高温环境中尤为突出，可能会严重削弱其力学性能。

尽管高温氧化过程受到复杂的热力学和动力学因素的控制，涉及氧化层的形成、生长、溶解和剥落。但在过去很长一段时间里，研究人员主要依赖于经验观察和复杂的物理模型来预测合金的氧化行为，但这些传统方法均存在显著的局限性。

随着人工智能技术的不断发展，高通量计算方法和先进的表征技术为 RHEAs 和 RCCAs 的研究提供了新的思路。

XGBoost 的「高光时刻」：增加 Al、Cr、Si 的含量，可有效提高合金的抗氧化性能

AI 模型的性能高度依赖于训练数据的质量。为了预测合金的抗氧化性，研究人员需要建立一个准确的数据集，将合金的化学成分、氧化条件（如温度和时间）与抗氧化性指标（如质量增益）联系起来。然而，合金的氧化行为涉及复杂的物理化学过程，包括元素扩散、微观结构变化、氧化物稳定性以及环境相互作用等。目前，科学界并没有现成的大型数据库可以直接使用。

为此，该研究的科研人员从已发表的文献中「挖矿」，提取了大量实验数据，构建了一个包含 886 个观测值的全面数据集。 这些数据涵盖了由 11 种元素 (Al、Cr、Hf、Mo、Nb、Si、Ta、Ti、V、W 和 Zr) 组成的传统难熔合金和RHEAs/RCCAs，详细记录了合金成分、氧化测试温度和暴露时间。这些描述符在合金制造过程中是可控的，为后续的机器学习建模奠定了基础。

在这里插入图片描述

数据集的组成和特征

为了更直观地理解数据集中不同合金成分之间的关系，研究人员将数据可视化，用 163 个节点代表不同的合金，并用每个节点的颜色表示摩尔百分比最高的元素。结果显示，数据集中形成了 3 个主要的高浓度区域， 如下图所示：蓝色区域以 Al 为主导，橙色区域以 Cr 为主导，紫色区域以 Nb 为主导。这些区域反映了不同元素在合金设计中的重要性。

为了进一步丰富数据集，研究人员从这些高浓度区域中随机抽取了 9 种成分，并通过电弧熔炼技术合成了 9 种「随机」合金。 这些新合金的加入，不仅扩展了数据集的多样性，还为模型的训练和验证提供了更多样本。

在这里插入图片描述

合金的成分相似网络

由于数据集相对较小且抗氧化性涉及复杂的非线性关系，研究人员选择了 XGBoost（极限梯度提升）算法——一种高效的梯度提升决策树 (GBDT) 模型。XGBoost 以其处理非线性关系和特征交互的能力而闻名， 非常适合解决这类问题。

将模型在包含 886 个观测值的整个数据集上进行训练后，结果显示，XGBoost 在多个性能指标上均表现出色。 与传统的多元线性回归模型 (MLR)相比，XGBoost 在决定系数 (R²)、均方根误差 (RMSE) 和平均绝对误差 (MAE) 等方面均取得了显著提升。这意味着，XGBoost 能够更准确地预测合金的抗氧化性能。

在这里插入图片描述

GBDT 模型和 MLR 模型的性能比较

为了进一步理解哪些因素对抗氧化性影响最大，研究人员计算了 SHAP 值 (Shapley Additive Explanations)，这是一种用于解释机器学习模型输出的方法。结果显示：

氧化温度和时间是影响抗氧化性的关键因素，温度越高、时间越长，合金的质量增益越大，抗氧化性越差。
Nb、Zr、V、Ti、W 和 Hf 的浓度与质量增益呈正相关，表明这些元素对抗氧化性有不利影响。
相反，Al、Mo、Cr、Ta 和 Si 的浓度增加会减少质量增益，从而增强抗氧化性。

这些发现不仅验证了已知的科学规律，还为未来合金设计提供了重要指导。例如，增加 Al（铝）、Cr（铬）和 Si（硅）的含量，可以有效提高合金的抗氧化性能。

中国高温合金产业的崛起与人工智能的助力

在全球材料科学领域，高温合金因其在航空航天、能源开发等关键领域的不可替代性，一直被视为战略材料。然而，由于其生产技术复杂、研发周期长、资金投入大，高温合金行业长期以来被少数国际巨头垄断，形成了明显的寡头垄断格局。以美国为代表的发达国家凭借先发优势，形成了以普惠 (PCC)、卡朋特 (Carpenter) 和哈氏合金 (Haynes International) 等为代表的行业巨头。 这些企业不仅掌握了核心技术和专利，还通过垂直整合和全球化布局，牢牢把控着全球市场。

相比之下，中国的高温合金产业起步较晚，但发展迅速。近年来，中国在高温合金领域实现了从「跟跑」到「并跑」的跨越，甚至在某些领域成为「领跑者」。

目前，国内从事高温合金研发及制备的单位包括钢铁研究总院、北京航空材料研究院、中国科学院金属研究所、北京科技大学等科研院所，以及钢研高纳、西部超导、中航上大、图南股份等优质企业。这些单位通过多年的技术积累和创新，已经实现了从「无」到「有」的突破，并在部分领域达到了国际先进水平。

然而，高温合金的性能优化是一个复杂的多目标问题，需要在高温强度、室温延展性、抗氧化性等多个指标之间找到最佳平衡。近年来，人工智能技术的引入，为高温合金设计带来了革命性的突破。随着 AI for Science 与材料科学领域的不断结合，国内科研人员开始专注于 AI 技术在高温合金领域的全新突破，在刚刚过去的 2024 年取得了诸多进展。

例如，北京科技大学宿彦京团队提出了一种结合机器学习、遗传搜索、聚类分析和实验反馈的多目标优化 (MOO) 框架，用于设计具备最佳高温强度和室温延展性的耐火高熵合金 (RHEAs)。 该团队合成了 24 种 RHEAs，并通过实验验证发现，ZrNbMoHfTa 合金在高温下表现出优异的性能。

* 点击查看详细报道：突破1200°C高温性能极限！北京科技大学用机器学习合成24种耐火高熵合金，室温延展性极佳

在此之前，中国科学技术大学和中国科学院金属研究所的研究团队则聚焦于增材制造用高温合金的设计，利用机器学习技术，解决了「权衡裂纹敏感性与高温性能」这一关键问题。 研究详细介绍了机器学习辅助高温合金设计的基本方法，包括数据收集与预处理、模型建立与训练、合金性能预测等步骤。通过机器学习，研究团队能够快速筛选出适合增材制造的高温合金成分，显著缩短了研发周期。

相关成果以「Design of Nickel-based Superalloys for Additive Manufacturing Based on Machine Learning：Research Status and Future Trends」为题，发表于「智能安全」。

论文链接：
10.12407/j.issn.2097-2075.2024.02.096

尽管中国在高温合金领域取得了显著进展，但与国际巨头相比，仍存在一定差距。例如，在高端产品的稳定性和一致性方面，仍需进一步提升。此外，高温合金的产业链尚未完全实现自主可控，部分关键原材料和装备仍依赖进口。

然而，随着人工智能、大数据等新兴技术的广泛应用，中国高温合金产业正迎来新的发展机遇。通过 AI 技术，科研人员能够更高效地设计新材料、优化生产工艺，从而加速技术突破。未来，中国有望在高温合金领域实现从「并跑」到「领跑」的跨越，为全球工业发展贡献更多「中国智慧」。

参考资料：
1.http://znaq.ijournals.cn/znaq/article/abstract/20240124001?st=article_issue
2.https://www.sohu.com/a/739946600_120113054
3.https://www.chyxx.com/industry/1194170.html
4.https://baijiahao.baidu.com/s?