镍基单晶高温合金是制造先进航空发动机和燃气轮机叶片的主要材料之一。蠕变性能是衡量其力学性能和使用寿命的关键因素之一。揭示和发现合金成分和微观结构演化等多尺度材料属性(微观内禀特性)与蠕变性能(宏观物性)之间的关联机制对于研发新型低成本高性能镍基单晶高温合金具有重要意义。近年来，数据驱动的机器学习在材料构效关系中的成功应用大大激发了材料科学与数据科学专家的交叉融合研究。镍基单晶高温合金蠕变容易受到成分和微观结构等诸多因素的影响，而且通常是多个物理机制耦合的结果。不同体系(第一、二、三和四代)、不同试验条件(高温高应力、高温低应力和中温高应力)和不同热处理工艺(固溶和时效处理时间)下镍基单晶高温合金成分-多尺度属性-工艺-蠕变性能之间的关系差异性非常大。这对传统单一数据驱动的机器学习方法又提出了新的挑战。
近日，计算机工程与科学学院刘悦副教授与硕士生吴军明联合材料科学与工程学院/材料基因组工程研究院施思齐和鲁晓刚教授、清华大学王崇愚院士、钢铁研究总院于涛教授等人提出一种“分而治之”的机器学习方法。首先课题组整理和收集了一份涵盖合金成分、热处理工艺和试验条件等基础材料描述符的高质量蠕变数据集并利用相图热力学计算方法CALPHAD计算影响蠕变断裂寿命的五个微观结构描述符：晶格常数、堆垛层错能、γ'相的摩尔分数、扩散系数和剪切模量；其次针对不同合金成分、热处理工艺、微观结构下蠕变机制的差异性和不一致性，提出了基于聚类的蠕变样本自动类别划分方法，用以区分不同物理参数下合金的蠕变机制；最后基于设计的模型适应度评估函数，能够自适应地为每个类别内的合金蠕变样本找到最适合的蠕变预测模型。在采集的蠕变断裂寿命数据集上进行的大量机器学习实验和探索表明，本论文提出的方法取得了拟合优度
R
2
=91.76%的预测精度，远高于单一的支持向量/高斯过程/随机森林等回归模型。同时，在新采集的8个合金样品上，预测的蠕变寿命值与实验测量值之间的误差也仅在可接受的范围内(6.4486h~40.7159h)。本研究为解决材料领域中复杂多变的性能预测问题提供了一种“分而治之”的新思路，且有望用于镍基单晶高温合金的逆向设计。
该研究结果近日以“Predicting creep rupture life of Ni-based single crystal superalloys using divide-and-conquer approach based machine learning”为题发表在Acta Materialia (SCI TOP期刊，IF: 7.293)上。该期刊是金属材料界最具影响力的顶级期刊之一、对所录用工作的原创性和重要性有着极高的要求。上海大学为第一单位、刘悦和施思齐分别为第一和通信作者。
刘悦副教授自2014年开始从事机器学习在材料科学领域中的应用研究，与施思齐教授合作综述了机器学习方法在新材料研发中的应用现状和发展前景，侧重剖析了应用机器学习进行材料设计和性能预测所需解决的挑战性问题，并结合近20年来从事机器学习“样本构造、模型的泛化能力、可理解性、易用性与学习效率”研究的思考与体会，深入探讨了这些问题的解决策略(Journal of Materiomics, 2017, ESI高被引,Most Popular Paper;Chinese Physics B, 2016, ESI高被引, 中国物理学会2019年度"最有影响力论文奖"一等奖)；合作研究利用机器学习来实现“玻璃转变点温度的快速精准预测”的可能性：引入岭回归等多元回归方法来预测Ae
x
Se
1-
x
玻璃转变点温度,其MAPE平均仅为3.52%,远低于传统拓扑方法的17.65%(Computational Materials Science, 2017)；针对Ge
x
Se
1–
x
玻璃结构的连续变化在某一组分处发生转折导致转变点温度的两阶段差异性和变化规律不一致特性，以结构剧变点为中心建立了其组分-结构-转变点温度之间的两阶段支持向量机回归模型，取得97.62%的预测精度，且其
RMSE
相比于单一SVR降低了41.89% (Science Bulletin, 2019)。
相关工作得到了国家重点研发计划(2017YFB0701500)、省部共建高品质特殊钢国家重点实验室开放基金(SKLASS2018-01、SKLASS2019-Z023)、上海先进通信与数据科学研究院、上海大学高性能计算中心和上海智能计算系统工程研究中心项目(19DZ2252600)的支持。
文章下载链接:
“Predicting creep rupture life of Ni-based single crystal superalloys using divide-and-conquer approach based machine learning”
https://www.sciencedirect.com/science/article/abs/pii/S1359645420303402
“Materials discovery and design using machine learning”
https://www.sciencedirect.com/science/article/pii/S2352847817300515
“Multi-scale computation methods: Their applications in lithium-ion battery research and development”
http://cpb.iphy.ac.cn/EN/10.1088/1674-1056/25/1/018212
“Predicting the onset temperature (
T
g
) of Ge
x
Se
1−
x
glass transition: a feature selection based two-stage support vector regression method”
https://www.sciencedirect.com/science/article/pii/S2095927319303974
“The onset temperature (
T
g
) of As
x
Se
1−
x
glasses transition prediction: A comparison of topological and regression analysis methods”
https://www.sciencedirect.com/science/article/abs/pii/S0927025617304780
