基于第一性原理计算的镍基单晶高温合金掺杂的机器学习研究
来源期刊：上海金属2020年第3期
论文作者：肖斌 吴雨沁 刘轶
文章页码：97 - 214
关键词：第一性原理计算;机器学习;描述因子;镍基单晶高温合金;合金掺杂;
摘 要：高温合金的成分设计对其力学性能有至关重要的影响。多种掺杂合金元素的占位构型数量巨大,第一性原理计算成本很高。利用机器学习可加速第一性原理计算对镍基单晶高温合金中掺杂元素占位的研究。使用支持向量回归（SVR）和随机森林（RF）方法构建机器学习模型,对γ相和γ’相中11种合金元素（M=Al,Co,Cr,Hf,Mo,Ni,Re,Ru,Ta,Ti,W）的单位点置换能(ESS)和局部平均键长变化（<Δd>）分别进行独立预测。结果显示:随机森林方法整体优于支持向量回归,对W、Co、Mo、Re、Cr和Hf等元素的置换能预测平均绝对误差小于300 me V,对Ni、Ta和Ru元素的预测误差在300～500 me V之间,对Ti和Al元素的预测误差大于500 me V;对<Δd>的预测误差均在10-3量级。证明了基于第一性原理计算的机器学习模型可以对合金新掺杂元素的局部能量和结构变化进行预测,有助于指导多组元合金的成分设计。
肖斌1,2，吴雨沁2,3，刘轶1,2
1. 上海大学理学院物理系2. 上海大学材料基因组工程研究院3. 上海大学钱伟长学院
摘 要：高温合金的成分设计对其力学性能有至关重要的影响。多种掺杂合金元素的占位构型数量巨大,第一性原理计算成本很高。利用机器学习可加速第一性原理计算对镍基单晶高温合金中掺杂元素占位的研究。使用支持向量回归（SVR）和随机森林（RF）方法构建机器学习模型,对γ相和γ’相中11种合金元素（M=Al,Co,Cr,Hf,Mo,Ni,Re,Ru,Ta,Ti,W）的单位点置换能(ESS)和局部平均键长变化（<Δd>）分别进行独立预测。结果显示:随机森林方法整体优于支持向量回归,对W、Co、Mo、Re、Cr和Hf等元素的置换能预测平均绝对误差小于300 me V,对Ni、Ta和Ru元素的预测误差在300～500 me V之间,对Ti和Al元素的预测误差大于500 me V;对<Δd>的预测误差均在10-3量级。证明了基于第一性原理计算的机器学习模型可以对合金新掺杂元素的局部能量和结构变化进行预测,有助于指导多组元合金的成分设计。
关键词：第一性原理计算;机器学习;描述因子;镍基单晶高温合金;合金掺杂;
