基于物理的机器学习方法建模中熵或高熵合金的温度依赖屈服强度
材料科学
2022-07-13 v1
摘要
机器学习正成为预测结构材料温度依赖屈服强度（YS）的有力工具，尤其对于多主元体系。然而，成功的机器学习预测依赖于合理使用机器学习模型。在此，我们给出用于预测中熵或高熵合金（MEAs或HEAs）温度依赖YS的双对数线性模型的全面且最新的概述。该模型中引入了断裂温度Tbreak，可指导具有优异高温性能的MEAs或HEAs设计。与假设黑箱结构不同，我们的模型基于底层物理，以先验信息形式纳入。采用全局优化技术实现对低温与高温区间模型参数的同步优化，表明对于多种HEA成分断裂温度在YS与极限强度间一致。MEAs/HEAs的YS与镍基高温合金的高层对比揭示所选难熔HEAs具有更优强度性能。为可靠运行，由难熔合金制成的结构部件（如涡轮叶片）的温度可能需低于Tbreak。一旦高于Tbreak，相变可能开始发生，合金可能丧失结构完整性。
引用
@article{arxiv.2207.05171,
title = {Physics-Based Machine-Learning Approach for Modeling the Temperature-Dependent Yield Strengths of Medium- or High-Entropy Alloys},
author = {Baldur Steingrimsson and Xuesong Fan and Rui Feng and Peter K. Liaw},
journal= {arXiv preprint arXiv:2207.05171},
year = {2022}
}