AlCoCrFeNi系高熵合金的强化方法研究

高熵合金又称多主元合金,相比以一种或两种元素为主的传统合金,高熵合金多主元合金设计理念使其具有独特的成分和结构特征,并展示了一系列优异的力学性能.尤其是近几年,拥有高强度、高延性的高熵合金纷纷涌现,这对高熵合金的工程化应用具有重要意义.合金的力学性能与其强化方法息息相关,如细晶强化、共格第二相强化、非共格第二相强化、异质结构强化等强化机制都在不同程度上促进了高熵合金力学性能的提升,因此了解高熵合金的强化方法和机制对于提高高熵合金的力学性能、探索新的高强高韧高熵合金意义重大.AlCoCrFeNi系高熵合金是目前研究最多的高熵合金体系之一,而且该体系高熵合金还可以通过成分调节和热机械处理工艺产生不同的组织结构,进而引入不同的强化机制,合金的力学性能可以在大范围内进行调控,是研究高熵合金强化方法的理想材料.基于此,本文以AlCoCrFeNi合金体系为对象,回顾了近几年高熵合金的强化方法,包括细晶强化、共格第二相强化、非共格第二相强化和异质结构强化,进一步阐述了成分和组织调控对高熵合金强化方法和力学性能的影响.不仅如此,本文还通过总结复合强化机制,发现必须借助多种强化机制才能使合金达到更高的强度,最后对高熵合金的强化方法研究进行了简单的总结和展望.     

机器学习在高温合金粉末盘构件疲劳寿命预测中的应用

由于制粉的污染、容器材料剥落等原因，采用粉末冶金工艺制备高温合金，不可避免地将引入非金属夹杂物。这些夹杂物的存在严重危害高温合金涡轮盘的力学性能，并可能导致涡轮盘低周疲劳失效。目前，疲劳寿命模型主要是由Manson-Coffin公式发展出来的，均未考虑疲劳过程中弹性模量的变化和合金缺陷特征因素的影响，这些导致预测结果与实际存在较大误差。本文利用机器学习算法建立了涡轮盘低周疲劳循环次数与夹杂物距涡轮盘表面的距离以及夹杂物的尺寸之间的定量预测模型。结果表明，通过支持向量回归、随机森林、梯度提升机、核岭回归和套索回归法等不同模型的计算对比发现，梯度提升树算法能够更好地预测疲劳寿命。