挤压态和峰值时效态Mg-6Al-3Sn-2Zn合金显微组织与力学性能之间的关系（英文）

研究挤压态和时效态Mg-6Al-3Sn-2Zn(ATZ632)合金的显微组织和力学性能。挤压态ATZ632合金表现出优异的力学性能，其屈服强度(YS)、极限抗拉强度(UTS)和伸长率(EL)分别为216.4 MPa、344.3 MPa和18.4%。经时效处理后，Mg₁₇Al₁₂析出相体积分数增加且出现Mg4Zn7相，Mg₁₇Al₁₂相平行于基面，Mg4Zn7垂直于α-Mg的(0001)面析出，从而使时效态ATZ632合金的YS和UTS分别增加到252.5和416.2 MPa；但EL下降至10.1%。经过150℃较低温度时效处理后，合金中出现静态再结晶晶粒，且静态再结晶晶粒的c轴垂直于挤压方向，其取向呈高度一致性。     

Influence of extrusion temperature on microstructure and mechanical properties of Mg-4Y-4Sm-0.5Zr alloy

The solution-treated Mg-4Y-4Sm-0.5Zr alloy was extruded at temperatures from 325℃ to 500℃.Dynamic recrystallization(DRX) completely occurs when the alloy is extruded at 350℃and above.The grains of the extruded alloy are obviously refined by the occurrence of DRX.The average grain size of the extruded alloy increases with increasing the extrusion temperature,leading to a slight decrease of the ultimate tensile strength(UTS) and the yield strength(YS) .On the contrary,the UTS and YS of the extruded and aged alloy increase with increasing the extrusion temperature.Values of UTS of 400 MPa,YS larger than 300 MPa and elongation(EL) of 7%are achieved after extrusion at 400℃ and ageing at 200℃ for 16 h.Both grain refinement and precipitation are efficient strengthening mechanisms for the Mg-4Y-4Sm-0.5Zr alloy.     

基于第一性原理计算的镍基单晶高温合金掺杂的机器学习研究

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(E_(SS))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 me V,对Ni、Ta和Ru元素的预测误差在300～500 me V之间,对Ti和Al元素的预测误差大于500 me V;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。     

自蔓延高温合成多孔NiTi合金孔隙的SVR预测

根据自蔓延高温合成法(SHS)制备多孔NiTi合金孔隙试验所获得的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同反应参数(温度,粒度和压坯密度)下合成的多孔NiTi合金孔隙的SVR预测模型,并与基于误差反向传播神经网络(BPNN)回归模型的预测结果进行比较。结果表明：在相同的训练与测试样本集下所获的SVR预测结果的平均绝对百分误差(MAPE)比BPNN预测模型的要小,其预测精度更高,预测效果更好;SVR-LOOCV预测的MAPE也比BPNN略小,且其预测结果的相关系数达到了0.999。因此,该方法是一种预测SHS法制备多孔NiTi合金孔隙的有效方法,可为SHS合成多孔NiTi提供理论指导     

Si添加和压力对铸造Al-5.0Cu-0.6Mn-1.2Fe合金组织和力学性能的影响（英文）

研究Si添加和压力对铸造Al-5.0Cu-0.6Mn-1.2Fe合金显微组织和力学性能的影响。结果表明,添加Si可促进α-Fe的形成,并抑制Al3(FeMn)和Al6(FeMn)的形成。对于重力铸造的合金,添加Si会增加孔洞的体积分数,导致合金的抗拉强度(UTS)和屈服强度(YS)显著降低。对于在75 MPa压力下制备的合金,Si添加促进高密度Al2Cu(θ)相的形成,从而使抗拉强度和屈服强度增加。在相同Si含量的合金中,力学性能随施加压力的增加而增加,这是由于孔洞减少、晶粒细化强化和固溶强化所致。合金最好的力学性能出现在压力为75 MPa和Si含量为1.1%时,其UTS、YS和伸长率分别为237 MPa、140 MPa和9.8%。     

机器学习辅助高性能银合金电接触材料的快速发现

为了快速发现高性能银合金电接触材料,从文献中收集了32组铸造法制备的银合金电接触材料的成分和性能数据,采用特征量筛选方法识别出影响合金性能的关键合金因子,采用支持向量机算法建立了合金导电率和硬度预测模型,实现了合金成分的快速设计。选取预测性能优异的Ag-19.53Cu-1.36Ni、Ag-10.20Cu-0.20Ni-0.05Ce和Ag-11.43Cu-0.66Ni-0.05Ce (质量分数,%) 3种成分设计方案进行工业生产条件的实验验证,性能预测结果与实验结果误差均小于10%,3种合金导电率均≥79%IACS,Vickers硬度均≥87 HV,综合性能均优于已有铸造法制备的银合金电接触材料。上述研究结果表明,本工作建立的机器学习成分设计方法可靠性好,有助于提高合金成分设计效率,快速发现综合性能优异的银合金电接触材料。     

基于机器学习的挤压铸造铝合金力学性能预测

基于现有挤压铸造研究数据,以不同合金元素及其含量下铝合金的力学性能作为训练数据,结合带有因子分解机(Factorization Machine,FM)的多项式回归模型,通过机器学习算法,以梯度下降策略对模型进行训练学习。然后,以合金的元素含量作为输入条件,预测该成分下合金的力学性能,并与试验力学性能作对比验证。结果表明,该模型能较好地预测不同元素含量铝合金的抗拉强度、屈服强度、硬度和伸长率等力学性能指标。     

选区激光熔化Zr改性Al-Si-Mg合金组织和力学性能

针对选区激光熔化（SLM）高Mg含量AlSiMg3合金成形性差的缺点,通过Zr进行合金化,研究了工艺参数对SLM成形高Mg含量Al-Si-Mg-Zr合金的成形性及时效处理对合金组织和力学性能的影响。结果表明,SLM成形Al-Si-Mg-Zr合金的熔池边界处形成了大量的细小等轴晶,从而有效地避免了样品在成形过程中裂纹的产生,增加了样品的SLM成形性,不同激光功率和激光扫描速度下获得样品的孔隙率均低于0.3%。拉伸测试结果表明,成形态样品的屈服强度（YS）为(426±8) MPa,极限抗拉强度（UTS）为(464±12) MPa。经165℃时效处理后,由于α-Al晶粒内部纳米强化相的增多,样品的强度增加明显,时效样品的最大YS和UTS分别为(482±11)MPa和(522±10)MPa。本研究获得SLM成形Al-Si-Mg-Zr样品的强度高于目前商用的SLM成形Al-Si-Mg合金。     

深冷轧制和热处理获得具有二级纳米结构的2024铝合金超强板材（英文）

在液氮温度和应变为2条件下对预淬火热压2024铝合金进行轧制,研究轧制和后续天然和人工时效对其结构和服役性能的影响。利用光学显微镜、电子显微镜和X射线分析发现,深冷轧制并没有定性地改变最初粗纤维组织的类型,而是在纤维内部产生发育良好的纳米晶胞亚结构。进一步时效导致初步过饱和、加工硬化铝固溶体的分解,也导致静态回复和/或再结晶基体中强化相的沉淀。相比于压制和Т6热处理态的合金,轧制和自然时效态的合金表现出更高的屈服强度(YS=590 MPa)和极限抗拉强度(UTS=640 MPа),而两种合金的断裂伸长率相当(El～6%)。低于常规T6路线温度的人工时效可以进一步提高合金的强度且保持良好的综合力学性能,包括较高的强度(YS=610MPa,UTS=665MPа)与延性(El～10%)、良好的静态裂纹阻力(裂纹形成和生长功分别为42和18k J/m~2)和良好的耐腐蚀性(晶间腐蚀的强度和深度分别为23%和50μm)。     

轧制工艺对Mg-Gd-Y-Zn-Mn合金中LPSO相及其组织性能的影响

研究"轧制+固溶+轧制"工艺和"固溶+轧制"工艺对Mg-Gd-Y-Zn-Mn合金中LPSO相及其组织性能的影响。结果表明:经"轧制+固溶+轧制"工艺处理后,合金中块状LPSO相较小,且分布弥散,合金的组织由细小的再结晶晶粒组成,最终合金获得较好的综合力学性能,抗拉强度(UTS)达到347 MPa,伸长率(EL)为11.6%;经"固溶+轧制"工艺处理后,合金中块状LPSO相较粗大,分布不均匀,由于固溶退火后析出的层状LPSO相阻碍合金的再结晶,轧制后合金中仍存在变形组织,最终合金具有相对较高的抗拉强度(UTS为358 MPa),但是伸长率较低(EL为6.6%);对比而言,"轧制+固溶+轧制"工艺易进行更大压下量轧制,进而获得更高综合力学性能。     

基于Bayesian采样主动机器学习模型的6061铝合金成分精细优化

结合高通量材料制备实验与基于Bayesian优化采样策略的主动学习方法,开发了有效的机器学习模型来描述合金元素组成与硬度之间的关系,并分析关键微量元素含量对硬度的影响.研究发现,经过3轮迭代64个铝合金样品建模后,Bayesian取样策略方法的预测硬度误差为4.49 HV(7.23％),远低于应用人工经验采样法的机器学习模型误差9.73 HV(15.68％),且当铝合金中的Mg和Si比值Mg/Si在1.37～1.72时,具有较高的合金硬度.通过在6061铝合金标准名义成分范围内进行成分精细优化以及性能调控,为工业上提高产品质量提供了可实现的策略.     

51.1Zr-40.2Ti-4.5Al-4.2V合金拉伸变形过程中的组织演变和力学性能研究

主要研究了51.1Zr-40.2Ti-4.5Al-4.2V合金室温拉伸变形过程中的组织演变和力学性能变化。研究表明,室温拉伸变形过程中合金发生从β相到α″相的转变,α″相的体积分数随拉伸速率的增加而减小。应力诱发α″马氏体相变对合金的力学行为有明显的影响。在拉伸速率为0.3 mm/min时,触发应力(TS),极限拉伸强度(UTS),延伸率(EL)和弹性模量(EM)分别为770.06 MPa,1168.60 MPa,14.96%和64 GPa。TS和EM随拉伸速率的增加而增加,而UTS和EL则降低。加工硬化率与真应变的关系曲线呈现出3个不同的阶段,应力诱发α″马氏体相变主要影响加工硬化率曲线的第2阶段。在给定应变条件下,第2阶段的加工硬化率随拉伸速率的增加逐渐降低。拉伸速率为0.3 mm/min时,合金的断口形貌是由大量韧窝以及少量准解理面组成的,合金发生塑性断裂,随着拉伸速率的增加,合金断裂方式由塑性断裂变为脆性断裂。这主要与应力诱发α″马氏体相含量随拉伸速率的增加而降低有关。     

粉末热挤压Al-Zn-Mg-Cu系合金的热处理工艺

通过XRD衍射分析、光学和透射电镜观察以及力学性能测试,研究了固溶和时效处理对粉末热挤压法制备的Al-Zn-Mg-Cu高强铝合金组织性能的影响.结果表明:挤压态合金中析出大量MgZn_2相;合金适宜的T6热处理制度为460℃×2.5h水冷+120℃×24h空冷;在此条件下合金的抗拉强度、屈服强度和伸长率分别为731MPa、670MPa和6.2%;晶粒细化是合金T6组织与铸锭挤压Al-Zn-Mg-Cu合金回归再时效(RRA)组织类似的主要原因.     

Microstructure and Mechanical Properties of a Spray-Formed Superalloy

The microstructural evolution and mechanical properties of a spray-formed superalloy were studied in this paper. Based on a better understanding of the microstructural evolution of the spray-formed superalloy during solution treatment, an optimum solution treatment process was obtained, namely, at 1,140 °C for 6 h, and air cooling(AC). The effects of the ageing treatments on the mechanical properties of the post-solution-treated spray-formed superalloy were evaluated using ageing harden curves and tensile testing. The results indicated that the maximum hardness value was achieved at 850 °C for 8 h, AC. Due to co-precipitation of primary and secondary c0 precipitates during the heat treatment,the spray-formed superalloy obtained an excellent combination of yield strength(YS = 1,110 MPa), ultimate tensile strength(UTS = 1,503 MPa), ductility(elongation, EL = 21%) and excellent stress rupture properties at 650 °C(UTS = 1,209 MPa, EL = 15.8%). The heat treatment also improved the rupture life at 650 °C/950 MPa and 750 °C/539 MPa up to 140 h without rupturing. The tensile-fractured surfaces exhibit ductile transgranular failure feature. The optimum heat treatment process was determined to be 1,140 °C/6 h+850 °C/8 h+AC.     

碳纤维-FeCoCrNiAl高熵合金颗粒混杂增强7075铝基复合材料的力学性能及断裂行为

为探究双相增强体对铝基复合材料拉伸性能和断裂行为的影响,采用真空热压烧结工艺在580 ℃,30 MPa条件下保温10 min制备了FeCoCrNiAl高熵合金颗粒增强7075铝基复合材料（HEA_p/Al）,Ni-Co-P镀层修饰碳纤维增强7075铝基复合材料（CF/Al）和FeCoCrNiAl高熵合金颗粒及Ni-Co-P镀层修饰碳纤维混杂增强铝基复合材料（CF-HEA_p/Al）。并对不同复合材料微观结构及拉伸性能进行分析表征及比较。结果表明：CF-HEA_p/Al复合材料的屈服强度（YS）与极限拉伸强度（UTS）随纤维含量的升高（体积分数由0至40%）呈现先增大后降低的变化,延伸率则逐渐降低。鉴于Ni-Co-P镀层修饰碳纤维与FeCoNiCrAl高熵合金颗粒的混杂强化效应, CF-HEA_p/Al复合材料的YS和UTS较HEA_p/Al与CF/Al复合材料明显提高,且其断口表现出基体韧性断裂及纤维拔出与断裂的多种失效特征。     

基于不同机器学习算法的钙钛矿材料性能预测

钙钛矿材料由于在各领域具有广泛的应用前景而备受材料学家的关注,对其各种物理化学性能的研究一直是材料领域研究的热点。本文建立随机森林(Randomforest,RF)、岭回归(Ridgeregression,RR)、以及基于径向基核函数和线性核函数的支持向量回归(Support vector regression,SVR)等4种机器学习算法的预测模型,对钙钛矿材料数据集中的密度、形成能、带隙、晶体体积等4种性能参数进行预测。结果表明:RF方法可以对钙钛矿材料的密度、带隙性能进行有效预测;RR方法可以实现对密度性能的预测;线性核函数的SVR方法可以实现对形成能性能的预测。该研究表明,不同的机器学习算法对数据样本分布的敏感程度不同,因此针对不同的性能参数预测需要选择不同方法。     

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σ_b、屈服强度σ_(0.2)和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较.结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σ_b、σ_(0.2)和HB)预测的均方根误差(RMSE)分别为4.531 9 MPa、14.550 8 MPa和HB1.414 2,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小.     

铝合金双丝VP-GTAW增材构件组织和性能

以Al-6.3Cu和Al-5Mg为填丝材料进行铝合金双丝VP-GTAW增材制造试验。结果表明,采用双丝VP-GTAW制备试样可提高成形效率,且成形稳定;通过调节2种丝材的送丝速度可以获得不同主要合金元素含量的Al-Cu-Mg合金,合金组织主要由柱状晶和等轴枝晶组成,且呈非均匀分布特征,调节主要合金元素含量可实现对铝合金试样性能的控制。原始状态下铝合金试样的显微硬度(HV)为900~1000 MPa,抗拉、屈服强度分别可达286和183 MPa,但塑性较差,仅为4.5%。     

热处理对Mg-3.4Y-3.6Sm-2.6Zn-0.8Zr(wt%)合金组织和性能的影响

采用差热分析(DSC)、光学显微镜(OM)、X射线衍射(XRD)、扫描电子显微镜(SEM)、能量色散谱(EDS)及拉伸测试等手段研究了Mg-3.4Y-3.6Sm-2.6Zn-0.8Zr合金经过不同热处理方式后的组织演变及力学性能。提出了500°C固溶处理15h、225°C时效处理40h的最佳热处理制度。500°C固溶15h后,层状长周期堆积有序(LPSO)结构消失,晶界处的(Mg,Zn)3(Y,Sm)从网状相溶解成颗粒状,同时形成大量的长条状相Mg12(Y,Sm)Zn。时效处理后,大量弥散的β′相析出到α-Mg晶粒中,有利于提高合金的屈服强度。试验合金的屈服强度(YS)、抗拉强度(UTS)和延伸率(EL)分别为170.0 MPa、260.8 MPa和14.1%。热处理后断口由沿晶断裂向穿晶断裂转变。     

基于BPNN、SVR和RF模型的7050合金高温流动应力预测

采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验，获得了合金在变形温度为300～450℃以及应变速率为0.001～1 s^-1条件下的应力应变数据。在此基础上，建立了经灰狼优化算法(Grey wolf optimization, GWO)优化的反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF)模型并验证其预测精度。结果表明：经过GWO优化的BPNN、SVR和RF模型预测精度高于原始模型；GWO-BPNN与GWO-RF模型的预测精度比较接近，且均高于GWO-SVR;在外推数据预测上，GWO-BPNN模型的预测精度更高，在内插数据预测上，GWO-RF模型的预测精度更高。不同机器学习模型对流动应力数据的拟合效果不同，其预测精度也存在差异。