BCC 高熔点多主元素合金的温度依赖性发现：深度学习与CALPHAD计算的集成
材料科学
2025-08-22 v2
摘要
单相体心立方(BCC)高熔点多主元素合金(RMPEAs)具有潜在的卓越强度优势。然而，其成分设计空间庞大。由于数据库覆盖范围和运行时间随候选化学品种数目呈线性增长，传统CALPHAD方法在数百万候选化学品种上进行穷尽式映射是不可行的。为此，我们在CALPHAD输出上训练深度学习替代模型，既保持热力学保真度，又大幅加速RMPEA相位分数随温度的预测。该模型在预测不同温度下最多八种相位的相分数方面具有高精度，较CALPHAD加快两个数量级。利用该模型，我们筛选了Ti、Fe、Al、V、Ni、Nb和Zr元素空间中不同退火温度下 potentially 稳定的单相BCC合金，并提取设计洞察以指导新型BCC RMPEA的合成。最后，我们发展了一种快速且可解释的模型，实现对单相BCC RMPEA的快速识别。
引用
@article{arxiv.2410.14614,
title = {Temperature-dependent discovery of BCC refractory multi-principal element alloys: Integrating deep learning and CALPHAD calculations},
author = {A. K. Shargh and C. D. Stiles and J. A. El-Awady},
journal= {arXiv preprint arXiv:2410.14614},
year = {2025}
}