近期,中科院合肥研究院核能安全技術研究所鄭明杰課題組在低活化鐵素體/馬氏體(RAFM)鋼智能設計方面取得新進展,相關研究成果發表在國際知名期刊 Materials Science and Engineering: A 。博士研究生李孝晨為論文第一作者,鄭明杰研究員和丁文藝副研究員為共同通訊作者。
由傳統9Cr-1Mo鋼發展而來的RAFM鋼,因其具有良好的熱物理、熱機械和抗輻照性能,被認為是聚變反應堆理想的候選結構材料之一。然而,高溫(>550 ℃)實驗表明,RAFM鋼存在明顯的高溫軟化效應,這嚴重限制了其高溫應用及服役安全性。為滿足未來商用聚變堆材料更高服役溫度的要求,需要進一步優化RAFM鋼的高溫力學性能,這對于傳統的“實驗試錯法”是一個很大的挑戰。近年來發展的機器學習方法為優化設計高性能RAFM鋼提供了一種新的可行性途徑。目前的機器學習模型主要是建立從成分和工藝參數到性能的正向模型,并從巨大的虛擬空間中篩選出良好的候選組合,還無法有效實現面向性能的逆向設計(即“按需設計”)。
鑒于此,課題組研究人員提出了一種“按需設計”的機器學習設計策略,并設計制備出高溫拉伸性能優異的新型RAFM鋼。首先,選擇梯度提升回歸算法構建預測RAFM鋼拉伸性能的正向模型;然后,利用人工神經網絡算法建立逆向模型,對給定的拉伸性能提供可能的成分和熱處理參數的候選組合。最后,將正向模型和逆向模型相結合,建立智能設計模型(如圖1所示),用于實現RAFM鋼的“按需設計”。通過相關文獻的實驗數據驗證了該智能設計模型的有效性,并應用該模型設計制備了新型RAFM鋼。其在600 ℃的測試溫度下,極限抗拉強度(UTS)為539 MPa,總延伸率(TE)為20.6%。該實驗結果與設計目標值基本一致,并且在TE值不明顯損失的情況下,600 ℃的UTS值比傳統RAFM鋼高100 MPa以上(如圖2所示)。
綜上,研究人員構建的智能設計模型實現了RAFM鋼的“按需設計”,并將有助于促進RAFM鋼等先進結構材料的設計研發。
該項研究工作得到了國家重點研發計劃及國家自然科學基金項目的資助。
文章鏈接:https://doi.org/10.1016/j.msea.2022.142891