从相图中挖掘高熵合金
无序系统与神经网络
2019-04-19 v1 材料科学
摘要
高熵合金（HEA）作为一种新型高性能结构材料展现出前景。其巨大的自由度提供了设计具有定制性能合金的广泛机会。然而，HEA 的成分复杂性给合金设计带来巨大挑战。当前方法在考虑单相固溶体与复合相的成分区域方面可靠性有限。我们提出一种唯象方法，分析二元相图以预测 HEA 相形成，其假设为 HEA 的结构稳定性编码于其中。据此，我们引入少量受相图启发的参数，并采用机器学习对 500 余种已报道 HEA 成分的成形区域进行划分。该模型实现了 >80% 的单相 HEA 预测率。为验证我们的方法，我们在 30 个随机选择的复杂成分中展示了该方法预测含或不含金属间化合物的 HEA 固溶体相的能力，成功率为 77%。所提出的高效搜索方法具有高预测能力，可被用来补充计算密集型方法，为高熵合金设计提供强大平台。
引用
@article{arxiv.1904.08880,
title = {High Entropy Alloys Mined From Phase Diagrams},
author = {Qi Jie and Andrew Cheung and S. Joseph Poon},
journal= {arXiv preprint arXiv:1904.08880},
year = {2019}
}
备注
20 pages, 6 figures