2020-07-17 21:27 來源：澎湃新聞·澎湃號·政務
近期，大連理工大學材料科學與工程學院王清教授及團隊成員在模擬計算和機器學習方面取得重要進展。王清教授所在的材料設計課題組一直致力於高性能合金材料的設計與研發工作，圍繞董闖教授提出的作為『材料基因』的團簇結構模型，形成了實用的團簇式成分設計方法，提升了合金研發效率，發展出一系列高性能工程合金材料，並在多個領域得到了應用。
材料的性能與多個尺度的微觀組織結構密切相關，主要包括元素組合和基因單元等。前期工作中，課題組利用獨創的團簇式成分設計方法實現了對合金微觀組織的調控，首次從實驗中獲得了立方形態B2納米粒子在BCC基體上共格析出，展現出優異的力學性能。該工作在2018年發表在國際金屬材料領域頂級期刊《Acta Materialia》上，且被評為『高被引論文』。在此基礎上，採用相場方法模擬了共格組織的演化過程，揭示了材料微觀組織的成分關聯機制，實現了對材料宏觀力學性能的調控，由此形成以性能目標為導向的高性能工程合金成分設計。目前，該工作以『Phase-field simulation of coherent BCC/B2 microstructures in high entropy alloys』為題再次被《Acta Materialia》刊出。
圖1. 團簇式方法設計的合金共格組織及相場模擬
在『材料基因組計劃』的發展中，跨尺度計算材料學突顯理性設計的優勢，其中體系特徵參數輔助的機器學習方法在高性能工程合金研發過程中展現出獨特的潛力。然而，體系特徵參數並未與成分直接關聯，導致在以性能為導向預測新合金時需要搜索較大的成分空間，增加了實驗驗證的難度。該課題組利用團簇成分式解決了上述問題，有效提升了機器學習的預測精度。在最新的研究工作中，系統構建了BCC-bTi合金成分(ci)與合金性能(彈性模量E)之間的關聯，並對機器學習的預測結果進行了實驗驗證，發現團簇式的嵌入使得實驗結果與機器學習預測高度一致。目前，該工作以『Cluster-formula-embedded machine learning for design of multicomponentb-Ti alloys with low Young’s modulus』為題發表在國際計算材料領域頂級期刊《npj Computational Materials》上。
圖2 .團簇式嵌入的機器學習Ti合金成分-性能循環示意圖
這兩篇文章的第一作者分別是材料學院碩士研究生李金臨和楊飛，通訊作者為材料學院王清和機械工程學院李震。此外，材料學院董闖教授和美國田納西大學Peter K. Liaw教授參與了論文工作思路的討論，並致謝國家自然科學基金91860108和『十三五』重點研發計劃2017YFB0702401等項目的資助。
論文連結：DOI: 10.1038/s41524-020-00372-w；
DOI: 10.1016/j.actamat.2020.07.030
新聞來源：大工新聞網
特別聲明
本文為澎湃號作者或機構在澎湃新聞上傳並發布，僅代表該作者或機構觀點，不代表澎湃新聞的觀點或立場，澎湃新聞僅提供信息發布平臺。申請澎湃號請用電腦訪問http://renzheng.thepaper.cn。
評論（）