面向自由构成-性能关系的 FCC 高熵合金数据驱动洞察
材料科学
2025-08-08 v1 机器学习
摘要
结构高熵合金（HEA）是推动航空、汽车和防御等各行业技术进步的关键材料。然而，稀缺的化学、工艺、结构和性能数据为预测性模型建模带来了重大挑战。鉴于这些合金的广阔设计空间，发现其内在模式至关重要 yet 困难，需要能够从有限且异构数据集中学习的先进方法。本 work 提供了多个灵敏度分析，揭示了关键元素对机械行为的贡献，包括对BIRDSHOT中心NiCoFeCrVMnCuAl系统数据集中纳米压痕测试中 Brittle 与断裂响应的构成因素的见解。多个经过Bayer斯优化精细调谐的 encoder-decoder 化学-性能模型被评估用于将合金构成映射到六项机械性能。这些模型在所有性能指标上实现了与传统回归器相当或更好的性能，尤其是屈服强度和UTS/YS比率，显示其在捕捉复杂构成-性能关系方面的有效性。
引用
@article{arxiv.2508.04841,
title = {Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys},
author = {Nicolas Flores and Daniel Salas Mula and Wenle Xu and Sahu Bibhu and Daniel Lewis and Alexandra Eve Salinas and Samantha Mitra and Raj Mahat and Surya R. Kalidindi and Justin Wilkerson and James Paramore and Ankit Srivastiva and George Pharr and Douglas Allaire and Ibrahim Karaman and Brady Butler and Vahid Attari and Raymundo Arroyave},
journal= {arXiv preprint arXiv:2508.04841},
year = {2025}
}