同步分子动力学-机器学习框架用于定制FeNiCr中等熵合金的力学性能

《Vacuum》：Synchronized molecular dynamics-machine learning framework for tailoring mechanical properties of FeNiCr medium entropy alloys

中熵合金力学性能的分子动力学与神经网络协同研究揭示FeNiCr合金中Fe主要强化位错相互作用但降低刚度，Ni在20-30%时优化强度与刚度，Cr>20%时因抑制位错滑移和脆性相形成而劣化性能，原子尺度机制与宏观性能的协同建模为快速合金设计提供新范式。

　　在当今工业技术不断发展的背景下，高性能材料的需求日益增长，尤其是在极端环境下，如航空航天推进系统和先进核能设施中，材料的机械性能、耐腐蚀性以及热稳定性变得尤为重要。在这一领域，中熵合金（Medium Entropy Alloys，MEAs）因其独特的性能表现而受到广泛关注。中熵合金通常由三种主要元素组成，每种元素的摩尔分数介于5%到35%之间，这种结构赋予其优于传统合金的综合性能。然而，尽管中熵合金展现出诸多优势，其性能优化仍面临诸多挑战，尤其是在材料设计和性能预测方面。

传统实验方法在合金研究中虽有其基础地位，但往往伴随着高昂的成本和漫长的迭代周期，这使得在实际应用中难以快速推进新材料的开发。与此同时，机器学习（Machine Learning，ML）模型在材料科学中的应用逐渐增多，因其具备强大的数据处理和预测能力，能够有效提高性能预测的效率。然而，目前的ML模型在进行多组分合金优化时仍存在一定的局限性，主要表现在数据稀缺性方面。因此，如何构建一个高效、准确且可扩展的计算框架，以解决材料设计中面临的复杂问题，成为当前研究的重要方向。

本研究提出了一种融合分子动力学（Molecular Dynamics，MD）模拟与反向传播（Back-Propagation，BP）神经网络的协同计算方法，用于系统地解析FeNiCr中熵合金的组成与性能之间的关系。这一方法结合了MD模拟的微观行为解析能力和ML模型的数据驱动预测能力，从而在材料设计过程中实现更精准的性能预测和优化。通过MD模拟，可以深入研究Fe、Ni和Cr三种元素对合金性能的具体影响机制，而BP神经网络则能够基于这些数据建立有效的预测模型，进一步优化合金的组成比例。

在研究过程中，首先需要选择合适的势函数以确保MD模拟的准确性。嵌入原子法（Embedded Atom Method，EAM）作为一种广泛使用的势函数模型，其基于有效介质理论和密度泛函理论，具有较低的计算成本和较高的可靠性。EAM模型能够有效描述原子系统的总能量，为模拟过程提供坚实的理论基础。此外，研究还发现，Fe在合金中主要通过增强位错相互作用来提升强度，但其同时会降低合金的刚度。这意味着Fe的添加虽然能够提高合金的承载能力，但可能会对整体的机械性能产生负面影响，特别是在高含量的情况下。

相比之下，Ni在合金中的作用更为复杂。研究显示，Ni在含量介于20%至30%之间时，能够实现强度与刚度的最优平衡。这一非单调性的强化效应表明，Ni的添加在特定比例范围内可以显著提升合金的综合性能。然而，当Ni含量超过这一范围时，其强化效果可能会减弱，甚至对合金的性能产生不利影响。这表明，在进行合金设计时，必须精确控制Ni的含量，以确保其强化作用的最大化。

Cr在合金中的作用则呈现出另一种趋势。研究发现，当Cr含量超过20%时，其会对合金的机械性能产生负面作用，主要表现为阻碍位错滑移和促进脆性相的形成。这意味着Cr的添加虽然能够提升某些性能，但其含量必须控制在一定范围内，以避免对整体性能造成损害。通过MD模拟，可以进一步揭示Cr在合金中的具体作用机制，以及其与其他元素之间的相互作用。

此外，研究还发现，Fe与Ni的比例对合金的变形模式转变具有重要影响。Fe的增加有助于扩展堆垛层错的形成，而Ni的高浓度则有利于孪晶界的增殖。这一发现表明，Fe和Ni在合金中的协同作用可以显著影响材料的变形行为，从而影响其整体性能。因此，在进行合金设计时，必须综合考虑Fe与Ni的比例，以实现最佳的性能平衡。

本研究的另一个重要发现是，通过融合MD模拟与ML模型，可以有效减少材料性能预测所需的计算成本，同时提高预测的准确性。传统实验方法虽然能够提供准确的数据，但其耗时和成本较高，难以满足快速开发的需求。而ML模型虽然能够快速预测性能，但其依赖于大量高质量的数据，这在某些情况下可能难以实现。因此，通过MD与ML的协同应用，可以克服这些局限性，为合金设计提供更高效的解决方案。

研究还表明，这一协同计算框架在实际应用中展现出良好的效果，特别是在航空航天推进系统和先进核能设施中，能够为新型结构材料的开发提供理论支持和技术指导。通过MD模拟，可以深入研究合金的微观行为，如位错相互作用、孪晶界形成和脆性相的生成，而ML模型则能够基于这些数据建立有效的预测模型，从而优化合金的组成比例。这一方法不仅提高了合金性能预测的准确性，还显著缩短了设计周期，为材料科学的发展提供了新的思路。

在研究过程中，还涉及了多个研究团队的工作成果。例如，Yang等人通过MD模拟研究了添加剂制造的高熵合金（High Entropy Alloys，HEAs）AlCoCrFe在铝基底上的纳米压痕和摩擦性能，为合金的表面性能研究提供了重要数据。Miao等人则通过实验研究了Cu对CuxCoCrFeNi合金结构和性能的影响，并与MD模拟结果进行了对比，验证了MD模型在合金性能预测中的有效性。Sahni等人通过MD模拟研究了Fe35Ni合金在熔化和烧结过程中的行为，进一步揭示了合金在高温条件下的性能表现。Sun等人则通过MD模拟分析了CoCrFeNiAlTi合金在不同Ti和Al含量下的性能，并发现随着Ti和Al的添加，合金的弹性模量和抗拉强度显著提升，这一发现为合金的优化设计提供了重要依据。

近年来，机器学习模型在合金性能预测中的应用取得了显著进展。Hart等人对机器学习驱动的合金研究现状进行了综述，探讨了该领域的方法和应用，并总结了理论预测与实验验证的结果。这表明，机器学习模型在合金性能预测方面具有广阔的应用前景。Zhao等人通过使用数百万次数据迭代，结合XGBoost子模型和预期改进算法，建立了HEA组成与显微硬度之间的关系，为合金设计提供了重要的理论支持。Rosiak等人则通过训练人工神经网络，基于70种钢类的数据预测其流动曲线，进一步验证了机器学习模型在合金性能预测中的有效性。Chen等人使用14种机器学习模型，包括随机森林和梯度提升回归，预测了Al合金的抗拉强度，表明机器学习模型在合金性能预测方面具有出色的准确性。

然而，尽管机器学习模型在合金性能预测方面展现出强大的能力，但其仍然面临数据稀缺性的挑战。传统实验方法虽然能够提供准确的数据，但其耗时和成本较高，难以满足快速开发的需求。因此，如何构建一个高效、准确且可扩展的计算框架，以解决材料设计中面临的复杂问题，成为当前研究的重要方向。本研究通过融合MD模拟与BP神经网络，建立了一个双尺度的计算框架，能够在合金设计过程中实现更精准的性能预测和优化。

通过MD模拟，可以深入研究Fe、Ni和Cr三种元素对合金性能的具体影响机制。例如，Fe的增加主要通过增强位错相互作用来提升强度，但其同时会降低合金的刚度。Ni的含量在20%至30%之间时，能够实现强度与刚度的最优平衡，而超过这一范围时，其强化效果可能会减弱，甚至对合金的性能产生不利影响。Cr的增加则会阻碍位错滑移并促进脆性相的形成，从而降低合金的机械性能。这些发现表明，在进行合金设计时，必须精确控制各元素的含量，以实现最佳的性能平衡。

此外，研究还发现，Fe与Ni的比例对合金的变形模式转变具有重要影响。Fe的增加有助于扩展堆垛层错的形成，而Ni的高浓度则有利于孪晶界的增殖。这一发现表明，Fe和Ni在合金中的协同作用可以显著影响材料的变形行为，从而影响其整体性能。因此，在进行合金设计时，必须综合考虑Fe与Ni的比例，以实现最佳的性能平衡。

本研究通过融合MD模拟与BP神经网络，建立了一个双尺度的计算框架，能够在合金设计过程中实现更精准的性能预测和优化。这一框架不仅提高了合金性能预测的准确性，还显著缩短了设计周期，为材料科学的发展提供了新的思路。通过MD模拟，可以深入研究合金的微观行为，如位错相互作用、孪晶界形成和脆性相的生成，而BP神经网络则能够基于这些数据建立有效的预测模型，从而优化合金的组成比例。这一方法不仅提高了合金性能预测的准确性，还显著缩短了设计周期，为材料科学的发展提供了新的思路。

本研究的另一个重要发现是，通过融合MD模拟与ML模型，可以有效减少材料性能预测所需的计算成本，同时提高预测的准确性。传统实验方法虽然能够提供准确的数据，但其耗时和成本较高，难以满足快速开发的需求。而ML模型虽然能够快速预测性能，但其依赖于大量高质量的数据，这在某些情况下可能难以实现。因此，通过MD与ML的协同应用，可以克服这些局限性，为合金设计提供更高效的解决方案。

综上所述，本研究通过融合MD模拟与BP神经网络，建立了一个高效的计算框架，用于系统地解析FeNiCr中熵合金的组成与性能之间的关系。这一方法不仅提高了合金性能预测的准确性，还显著缩短了设计周期，为材料科学的发展提供了新的思路。通过MD模拟，可以深入研究合金的微观行为，如位错相互作用、孪晶界形成和脆性相的生成，而BP神经网络则能够基于这些数据建立有效的预测模型，从而优化合金的组成比例。这一方法在航空航天推进系统和先进核能设施中展现出良好的应用前景，为新型结构材料的开发提供了理论支持和技术指导。