文献类型：期刊文章

作　　者：肖斌[1,2] 吴雨沁[2,3] 刘轶[1,2]

XIAO Bin;WU Yuqin;LIU Yi(Department of Physics, Shanghai University, Shanghai 200444, China;Materials Genome Institute, Shanghai University, Shanghai 200444, China;Qian Weichang College, Shanghai University, Shanghai 200444, China)

机构地区：[1]上海大学理学院物理系,上海200444 [2]上海大学材料基因组工程研究院,上海200444 [3]上海大学钱伟长学院,上海200444

出　　处：《上海金属》

基　　金：国家科技部重点研发计划“材料基因组工程”(No.2017YFB0701502、No.2017YFB0702901);国家自然科学基金(91641128)。

年　　份：2020

卷　　号：42

期　　号：3

起止页码：97-104

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、INSPEC、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：高温合金的成分设计对其力学性能有至关重要的影响。多种掺杂合金元素的占位构型数量巨大,第一性原理计算成本很高。利用机器学习可加速第一性原理计算对镍基单晶高温合金中掺杂元素占位的研究。使用支持向量回归(SVR)和随机森林(RF)方法构建机器学习模型,对γ相和γ′相中11种合金元素(M=Al,Co,Cr,Hf,Mo,Ni,Re,Ru,Ta,Ti,W)的单位点置换能(ESS)和局部平均键长变化(<Δd>)分别进行独立预测。结果显示:随机森林方法整体优于支持向量回归,对W、Co、Mo、Re、Cr和Hf等元素的置换能预测平均绝对误差小于300 meV,对Ni、Ta和Ru元素的预测误差在300~500 meV之间,对Ti和Al元素的预测误差大于500 meV;对<Δd>的预测误差均在10-3 量级。证明了基于第一性原理计算的机器学习模型可以对合金新掺杂元素的局部能量和结构变化进行预测,有助于指导多组元合金的成分设计。

关 键 词：第一性原理计算 机器学习  描述因子  镍基单晶高温合金 合金掺杂  

分 类 号：TG1]