2026年4月6日，南华大学和普渡大学的研究团队利用可解释的机器学习模型，开发出一种用于3D 打印的新型超高强度、高延展性钢。
△基于机器学习与粉末冶金相结合的优化设计策略（PM-ML），用于经济高效、工艺短、耐腐蚀的 UHSDS：（a）初始数据集构建，（b）特征筛选和建模，（c）SHAP 分析，（d）多目标优化，（e）实验评估。
相关研究结果以题为“Interpretable machine learningintegrated
with physicochemical feature for developing additively
manufacturedultra-high strength and ductility
steel”的论文发表在《国际极端制造杂志》（International Journal of Extreme Manufacturing）上。
这种方法降低了材料成本，并将热处理时间缩短至一个六小时的步骤，在此过程中解决了通过增材制造生产高性能钢材的两个长期存在的障碍。传统三维打印超高强度钢通常需要钴、钼或高浓度镍等昂贵元素。制造出的零件必须经过复杂的多步工业炉热处理才能达到目标强度。即使经过这些处理，它们仍然容易受到腐蚀。
机器学习模型工作原理
研究团队没有依赖传统的经验性试错化学方法，而是将81种元素的基本物理化学特征（包括原子半径、电子行为和声速）输入到一个可解释的机器学习算法中，以确定最佳合金成分。模型最终确定铁和铬的混合物，并添加少量硅、铜和铝，是理想的合金配方。后续实验采用激光定向能量沉积（LDED）技术制备了Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C（wt.%）合金，并在480℃下进行单步回火处理6小时。
测试表明，钢材能够承受 1713 MPa 的应力，并在断裂前延伸率达到15.5%，比打印状态的强度提高了约 30%，延展性提高了一倍。
△通过机器学习实现的多目标优化结果。(a) UTS、YS 和 EL 的三维 Pareto 前沿，(b) UTS 和EL 的二维 Pareto 前沿，(c) UTS 和 YS 的二维 Pareto 前沿。
腐蚀性能
这种合金的耐腐蚀性也使其区别于市售的替代材料。在普通钢材中，碳化物的形成会消耗周围金属中的铬，从而形成易生锈的区域。在新合金中，纳米级铜颗粒在形成过程中排出铬，使其均匀分布在整个基体中。
盐雾测试记录的降解率为每年0.105 毫米，优于包括 AISI 420 在内的标准商用不锈钢。这种机器学习方法依赖于特定制造工艺的数据集，这意味着来自一种制造工艺的数据通常与来自另一种制造工艺的数据不兼容。因此，当将模型应用于新的材料类别时，需要重新筛选物理特征。
来源：南极熊
0 留言