奥氏体钢层错能预测：热力学建模 vs. 机器学习
材料科学
2020-09-15 v2 应用物理
摘要
层错能（Stacking Fault Energy, SFE）是控制奥氏体钢变形机制和优化力学性能的最关键微观结构属性之一，然而目前尚无准确且直接的计算工具对其建模。本工作中，我们应用热力学建模和机器学习对 300 多种奥氏体钢的层错能（SFE）进行预测。比较表明，极需改进低温 CALPHAD（CALculation of PHAse Diagrams）数据库和界面能预测，以提升热力学模型的可靠性。集成机器学习算法相比热力学和经验模型提供了更可靠的预测。基于实验结果的统计分析，仅 Ni 和 Fe 对 SFE 具有中等程度的单调影响，而许多其他元素表现出复杂效应，它们对 SFE 的影响可能随合金成分变化。
引用
@article{arxiv.2004.06703,
title = {Stacking fault energy prediction for austenitic steels: thermodynamic modeling vs. machine learning},
author = {Xin Wang and Wei Xiong},
journal= {arXiv preprint arXiv:2004.06703},
year = {2020}
}
备注
14 pages, 2 tables, and 4 figures