基于主动学习发现高温氧化抗性耐热复合型合金
材料科学
2025-12-19 v1
摘要
耐热复合型合金 (RCCA) 因其广泛的组成范围和潜在的优异机械性能及氧化抗性而备受青睐，但其复杂的组成使得传统合金发现方法面临重大挑战。本研究引入一种主动学习框架，将高斯过程回归与贝叶斯全局优化相结合，以加速氧化抗性 RCCA 的识别。本研究聚焦于含铝的四元系统，合金描述符和氧化物描述符用于预测 1000°C 下的氧化性能。基于 81 个经实验验证的 RCCA 数据集，该框架被用于迭代选择合金批次（每批 5 个合金），基于探索与开发的平衡进行优化，以最小化实验成本。经过 6 次迭代后，识别出两种合金（ nominal AlMoTiCr 和 AlMoTiCr），其在 1000°C 下的比质量增量均小于 1 mg/cm²。两种合金均形成附着性的外部 α-Al₂O₃ 层，并表现出与扩散限制性尺寸生长一致的抛物线氧化动力学。此外，我们的多目标分析表明，这些合金同时实现高比硬度 (>0.12 HVm³/kg) 和与热障涂层系统的热膨胀匹配， positioned as bond coat candidates。该工作彰显了主动学习在遍历复杂组成空间中的有效性，为开发适用于极端环境的先进材料提供了可扩展策略。
引用
@article{arxiv.2512.15958,
title = {Active Learning Discovery of High Temperature Oxidation Resistant Refractory Complex Concentrated Alloys},
author = {Akhil Bejjipurapu and Sharmila Karumuri and Joseph C. Flanagan and Victoria Tucker and Ilias Bilionis and Alejandro Strachan and Kenneth H. Sandhage and Michael S. Titus},
journal= {arXiv preprint arXiv:2512.15958},
year = {2025}
}