基于机器学习的描述子用于预测高温氧化物化学浓合合金
材料科学
2025-11-04 v1
摘要
高温氧化物化学浓合合金（RCCA）能够表现出卓越的高温强度，使其成为高温结构应用的有前景的材料候选者。然而，当前的RCCA缺乏在含氧环境下可持续工作的高温氧化抗性，除非依赖环境屏障涂层，否则只能在1000°C或更高温度下工作数小时。本文提出了一种机器学习框架，用于预测在1000°C下24小时暴露于空气中导致RCCA特异质量变化的氧化行为，以支持在广泛组成范围内寻找氧化抗性合金。我们构建了一个包含77个组成（包括简单元素、二元合金及更高阶元素系统）的实验特异质量变化数据库，其在900-1000°C下24小时的空气中氧化。随后，我们开发了一种基于氧化产物、捕捉氧化物形成与稳定性基本化学的高斯过程回归（GPR）模型。将该GPR模型应用于数据库后，测试均方绝对误差（MAE）为5.78 mg/cm²，显著优于仅利用传统合金描述子的模型。我们利用该模型筛选了超过5,100种四元RCCA，发现这些合金的预测特异质量变化显著低于现有文献中报道的数值。总体而言，本工作建立了一种灵活且高效的策略，以加速发现下一代在极端环境下抗性更强的RCCA的研发。
关键词
引用
@article{arxiv.2511.01095,
title = {Machine learning descriptors for predicting the high temperature oxidation of refractory complex concentrated alloys},
author = {Akhil Bejjipurapu and Alejandro Strachan and Kenneth H. Sandhage and Michael S. Titus},
journal= {arXiv preprint arXiv:2511.01095},
year = {2025}
}