近期，核能安全所科研人员在低活化高熵合金设计方面取得新进展，相关研究成果作为封面文章发表于国际知名期刊 Applied Materials Today。
低活化高熵合金（HEAs）因其优异的力学性能和抗辐照性能而被认为是先进核能系统的新一代候选结构材料。然而，潜在的巨大成分空间给低活化HEAs的设计带来了极大挑战。传统试错法难以满足HEAs的成分设计需求，而经验参数法主要针对HEAs的相结构设计，缺乏对性能的预测。近年来发展的机器学习方法为优化设计HEAs提供了一种新途径。目前已有的机器学习模型一般集中于HEAs的相结构设计或是性能预测，对于合金设计的辅助效果有限。为了实现HEAs的高效设计，亟需发展相结构和性能的集成设计方法。
针对上述问题，科研人员提出了一种基于机器学习的集成设计策略，并设计制备出一种具有体心立方（BCC）结构的单相低活化Fe35Cr30V20Mn10Ti5HEA。在相结构设计方面，构建了两个准确率>85%的机器学习分类模型来分别筛选固溶强化（SS）和单相BCC的HEAs。在性能预测方面，建立了一个基于机器学习回归算法的HEAs硬度预测模型，其相关系数（R）>0.9。通过相结构与性能的集成设计策略，设计出了具有所需相和性能的低活化HEAs，且效率大大提升。新设计制备的硬度为555.9±15.3 HV的BCC单相低活化HEA（Fe35Cr30V20Mn10Ti5）满足设计要求，通过实验验证了这种集成设计策略的有效性。结合参数法分析，提出了两种新的有效筛选SS和BCC的相分类准则，准确率均超过95%。
综上，研究人员利用基于机器学习的集成设计策略实现了低活化高熵合金的高效设计，相关研究成果将促进其他先进材料的结构和性能的集成设计。
核能安全所李孝晨博士后为论文第一作者，郑明杰研究员为通讯作者。该项研究工作得到了国家自然科学基金联合基金、中国科学院“全球共性挑战专项”和特别交流计划等项目的资助。
文章链接：https://doi.org/10.1016/j.apmt.2023.102000
图1. 《Applied Materials Today》文章当期封面
图2. 基于机器学习的低活化高熵合金集成设计策略
图3. 使用新的相分类准则的统计分析结果
低活化高熵合金（HEAs）因其优异的力学性能和抗辐照性能而被认为是先进核能系统的新一代候选结构材料。然而，潜在的巨大成分空间给低活化HEAs的设计带来了极大挑战。传统试错法难以满足HEAs的成分设计需求，而经验参数法主要针对HEAs的相结构设计，缺乏对性能的预测。近年来发展的机器学习方法为优化设计HEAs提供了一种新途径。目前已有的机器学习模型一般集中于HEAs的相结构设计或是性能预测，对于合金设计的辅助效果有限。为了实现HEAs的高效设计，亟需发展相结构和性能的集成设计方法。
针对上述问题，科研人员提出了一种基于机器学习的集成设计策略，并设计制备出一种具有体心立方（BCC）结构的单相低活化Fe35Cr30V20Mn10Ti5HEA。在相结构设计方面，构建了两个准确率>85%的机器学习分类模型来分别筛选固溶强化（SS）和单相BCC的HEAs。在性能预测方面，建立了一个基于机器学习回归算法的HEAs硬度预测模型，其相关系数（R）>0.9。通过相结构与性能的集成设计策略，设计出了具有所需相和性能的低活化HEAs，且效率大大提升。新设计制备的硬度为555.9±15.3 HV的BCC单相低活化HEA（Fe35Cr30V20Mn10Ti5）满足设计要求，通过实验验证了这种集成设计策略的有效性。结合参数法分析，提出了两种新的有效筛选SS和BCC的相分类准则，准确率均超过95%。
综上，研究人员利用基于机器学习的集成设计策略实现了低活化高熵合金的高效设计，相关研究成果将促进其他先进材料的结构和性能的集成设计。
核能安全所李孝晨博士后为论文第一作者，郑明杰研究员为通讯作者。该项研究工作得到了国家自然科学基金联合基金、中国科学院“全球共性挑战专项”和特别交流计划等项目的资助。
文章链接：https://doi.org/10.1016/j.apmt.2023.102000
图1. 《Applied Materials Today》文章当期封面
图2. 基于机器学习的低活化高熵合金集成设计策略
图3. 使用新的相分类准则的统计分析结果
