基于机器学习的Ni-Co-Al三元原子间势开发及其在镍基单晶高温合金温度与应变率相关力学行为研究中的应用

推荐：本研究针对镍基单晶高温合金在极端工况下力学行为预测精度不足的问题，开发了基于神经演化势（NEP）框架的Ni-Co-Al三元机器学习势函数。通过分子动力学模拟揭示了γ/γ′相界在温度/应变率耦合作用下的位错演化规律，发现中温区Lomer-Cottrell锁（L-C锁）导致的异常强化效应，并阐明了冲击载荷下晶体取向依赖的FCC-BCC相变机制。该工作为多组分合金势函数开发提供了新范式，对高温合金性能优化具有重要指导意义。

　　

在航空航天领域，镍基单晶高温合金因其优异的高温力学性能成为涡轮叶片等关键部件的首选材料。然而，传统原子模拟的可靠性受限于势函数精度，尤其对于含钴（Co）的三元体系缺乏专用势函数，导致无法准确预测γ/γ′相界位错网络演化等关键力学行为。更棘手的是，现有势函数难以同时兼顾高温、高应变率等极端条件下的模拟需求，严重制约了材料性能优化。

哈尔滨工业大学（深圳）理学院的研究团队在《Materials》发表重要成果，通过开发Ni-Co-Al三元机器学习势函数（MLP），系统揭示了温度与应变率耦合作用下镍基单晶高温合金的微观变形机制。该研究采用神经演化势（NEP）框架，构建了包含4124组构型的训练数据集，通过结合第一性原理计算和分子动力学模拟，实现了对晶格常数、弹性模量等基本物性的高精度预测（误差<0.17%）。关键技术包括：1）基于维也纳从头算模拟包（VASP）的密度泛函理论（DFT）计算；2）涵盖弹性变形、空位缺陷等多元构型的主动学习策略；3）采用径向/角向描述符组合的神经网络势函数优化。

温度依赖的相界特性研究表明，随着温度从300K升至1200K，γ与γ′相的晶格失配度从0.028降至0.024，导致位错网络从完整结构逐步解离为Shockley不全位错。特别在900K附近，位错交滑移形成L-C锁结构，引发屈服强度异常升高现象。应变率效应分析显示，当应变率从2.5×10⁸ s^-1提升至1×10⁹ s^-1时，异常强化温度区间会向低温方向移动。

冲击响应行为方面，[100]晶向在1-2 km/s冲击速度下发生可逆的FCC→BCC相变，而[110]/[111]晶向则优先形成堆垛层错。当冲击速度超过3 km/s时，所有取向均出现非晶化转变。值得注意的是，γ′相体积分数增至70%可使[100]取向的层裂强度提升约18%，这归因于L1₂有序结构的高反相畴界能（APB）。

该研究不仅建立了首个适用于镍基高温合金三元体系的机器学习势函数，更通过多尺度模拟揭示了温度/应变率耦合作用的微观机制。发现的L-C锁强化效应和取向依赖相变规律，为新一代高温合金设计提供了理论依据。特别开发的NEP框架可扩展至更多元体系，为复杂合金的原子模拟开辟了新途径。