基于CALPHAD热力学建模中的贝叶斯不确定性量化与信息融合

相图计算是合金设计的基本工具之一——更具体地是在集成计算材料工程框架下。相图的不确定性量化是为基于性能或属性的设计决策提供信心的首要步骤。作为示例，针对Hf-Si二元案例研究，利用马尔可夫链蒙特卡洛采样方法对CALPHAD模型参数进行了全面的概率评估。由此获得了参数合理的最优值及其不确定性，并可传递至所得相图。在采样过程中，常需将计算热力学评估工具（此处为Thermo-Calc）中确定性优化所得参数值作为先验信息与参数范围，以使不确定性量化成本合理。这引出了寻找高置信度合适CALPHAD模型的问题，这是一项极困难且昂贵、需大量专家技能的任务。本文提出基于贝叶斯因子（Bayes' factors）的贝叶斯假设检验以满足此模型选择需求，并应用于比较Hf-Si系统的四种推荐模型。然而，研究表明信息融合方法（即贝叶斯模型平均与基于误差相关的模型融合）可用于结合所有给定模型中的有用信息，而非仅采用最佳选定模型——后者可能缺失所建系统的部分信息。