[发明专利]一种高强度高塑性Zr基非晶合金及其基于机器学习的方法

说明书

本发明提供了一种高强度高塑性Zr基非晶合金，分子式为Zr_aCu_bNi_cAl_dM_e，其中M为Fe、Ti、Zn、Sn、Co、Ag中的一种，a、b、c、d和e分别表示对应元素的原子百分比，满足以下条件：50≤a≤55，30≤b≤36，5≤c≤10，5≤d≤10，且a+b+c+d+e＝100。本发明提供了一种基于机器学习筛选上述Zr基非晶合金的方法，利用帕累托优化算法可以筛选出同时满足高强度与高塑性要求的非晶合金成分点，从而避免传统实验试错法的盲目性，显著提高了材料的设计研发效率。

技术领域

本发明属于非晶合金领域，尤其涉及一种高强度高塑性Zr基非晶合金及其基于机器学习的方法。

背景技术

非晶合金是不具有长程原子有序排列的金属合金，也称为玻璃金属或非结晶合金。高性能结构材料往往要求同时具备高强度与高塑性，然而对于大多数材料而言，强度与塑性是相互排斥的。非晶态合金作为一种新型工程结构材料，具有较高的强度，但较小的塑性限制了它的应用。研究者往往通过调控非晶合金的成分，或者引入第二相粒子来提高它的塑性。由于泊松比与塑性呈正相关，因此往往被作为开发高塑性非晶合金的量化指标。

目前文献报道的Zr基非晶合金压缩断裂强度大都小于2000MPa，断裂塑性大都小于5％：XU Hong-wei等人报道的Cu₄₅Zr₄₈Al₇非晶合金，其压缩断裂强度为1892MPa，塑性为0％；F.Jiang等人报道的Zr₅₅Cu₃₀Ni₅Al₁₀非晶合金，其压缩断裂强度为1290MPa，属性为0％。研究者针对Zr-Cu-Ni-Al系非晶合金增强增塑作了大量研究报道。柳延辉等人使用了泊松比作为非晶合金塑性性能的筛选标准，发现了3个断裂塑性为～160％不同组分的Zr-Cu-Ni-Al系非晶合金，然而其压缩断裂强度最大不超过1851MPa。Qu Dongdong等人报道了成分为Zr₅₃Cu_18.7Ni₁₂Al_16.3的高塑性非晶合金，其断裂塑性为14.5％，最大抗压强度为2160MPa，这属于已报道的Zr-Cu-Ni-Al系非晶合金中同时具有较高强度与较高塑性的一种，Zr-Cu-Ni-Al系非晶合金的性能仍有较大的探索空间。

由于对非晶合金力学性能物理本质认识不足，基于理论驱动的模型在非晶合金的断裂强度，泊松比等性能上的预测效果差强人意。机器学习在非晶合金性能预测上也有大量报道：美国西北大学Logan Ward等人利用机器学习方法对大块非晶合金的最大铸造尺寸(D_max)及过冷液相区(ΔT_x)进行预测。由于实验数据量的不足，数据来源一致性的差异及实验测量手段的差异导致模型预测结果与实验结果差异较大。Logan Ward等人所构建的机器学习模型没有在待优化的体系上收集足够多的样本，导致模型对待优化的体系预测精度不够。上海大学雄杰等人利用机器学习对非晶合金的最大临界尺寸及弹性模型进行了建模，但是没有对模型预测效果进行实验验证。目前没有关于非晶合金成分-压缩强度的报道。

探索和制备同时具备高强度与高塑性的非晶合金是材料科学工作者孜孜不倦的追求目标。非晶合金是多组元复杂体系，这给成分调优和性能调制带来了巨大的挑战。顺序迭代试错法根据某个理论模型初步选取一个有可能形成非晶合金的成分，然后通过原材料准备、合金制备、结构表征、性能测试等一系列实验步骤进行确认。遗憾的是，通过一次实验就能得到满足要求的合金的情况少之又少。基于数据驱动的机器学习方法在不需要理解材料背后物理机制的前提下，通过高维数据运算，建立由输入数据到目标性能之间的复杂映射关系，逐渐被应用于材料开发与设计当中。因此，亟需通过数据驱动的机器学习方法筛选出同时具备高强度与高塑性的非晶合金。

发明内容

本发明的目的在于通过机器学习的方法筛选出具有高强度与高塑性的Zr基非晶合金成分点，以解决上述背景技术中提出的问题。