数据驱动的铂族金属取代β-NiAl氧化行为模型与见解

《Computational Materials Science》:Data-driven models and insights on the oxidation behavior of Pt group metals substituted β-NiAl

【字体: 大 中 小 】 时间:2026年10月21日 来源:Computational Materials Science 3.7

编辑推荐:

   **亮点** - 我们证明,与纯粹基于成分的传统氧化机器学习模型(即直接以成分作为描述符)相比,受物理启发的描述符提高了稀疏氧化数据集的数据效率。 - XGBoost 在未见过数据上预测了 Pt-、Ir- 和 Rh- 取代的 β-NiAl 的氧化趋势。 - SHAP 和 C

  **亮点**- 我们证明,与纯粹基于成分的传统氧化机器学习模型(即直接以成分作为描述符)相比,受物理启发的描述符提高了稀疏氧化数据集的数据效率。- XGBoost 在未见过数据上预测了 Pt-、Ir- 和 Rh- 取代的 β-NiAl 的氧化趋势。- SHAP 和 CoSMoR 揭示了控制氧化的耦合物理化学途径。- 实验鉴定了与 Pd 相关的剥落现象以及描述符可迁移性的局限。**引言**现代航空发动机通常使用基于 β-NiAl 的粘接涂层以提供高温抗氧化性能。这些粘接涂层通常添加各种元素,如 Cr、活性元素(如 Hf、Ce 等)或铂族金属(PGM),以提高抗氧化性[1], [2], [3], [4], [5]。优化粘接涂层的化学成分以改善抗氧化性能以及与基体和顶层涂层的相容性,仍然是合金设计的重要方面[6]。粘接涂层的氧化本质上是一个多尺度问题,无法通过任何单一物理模型来解决。由于多物理模型在不同长度尺度上是碎片化的,近年来氧化建模的研究越来越多地采用机器学习方法[7], [8], [9], [10]。然而,大多数研究依赖于元素成分作为直接输入特征。这限制了其物理可解释性和潜在的可迁移性,尤其在稀疏实验数据集中更是如此。由于成分同时影响众多热物理性质,仅依赖成分难以分离出直接因果关系。本研究通过强调数据整理、物理启发特征和数据驱动表示策略,来解决 PGM 取代 β-NiAl 氧化建模中的这一空白。Pt 掺杂的 β-NiAl 在文献中已被广泛研究[5], [11], [12], [13];然而,其他 PGM 元素相对关注较少。研究表明,添加 Pt 会改变互扩散行为、缺陷传输以及 Ni 和 Al 的化学活性,从而形成连续且附着的氧化铝层[11], [14], [15], [16]。各种 PGM 在 NiAl 中的位点偏好也已被研究,发现 Pt、Ir 和 Rh 一致偏好 Ni 亚晶格,而 Pd 则表现出对 Al 亚晶格的偏好[17]。鉴于 PGM 在改变化学活性和扩散系数以及位点偏好差异方面的作用,其对 β-NiAl 氧化行为的影响提出了一个有趣的挑战。文献中探索了多种计算方法,例如 CALPHAD 方法,该方法依赖于相平衡数据和近平衡假设。然而,CALPHAD 的局限性在于其无法捕捉复杂的氧化过程,且无法在非平衡条件下量化质量增益[18]。元胞自动机(CA)模型也被用于模拟时空上的氧化过程,通过简化规则展示氧化层生长。然而,它们需要大量计算资源,且对参数优化敏感,这限制了其跨不同材料的泛化能力[19], [20], [21], [22]。另一种方法是分子动力学(MD)模拟,可提供氧化原子细节的理解,包括表面反应和缺陷形成[23]。MD 模拟面临原子间势的可用性问题,尤其是对于复杂材料,以及在开放系统中准确预测定量质量增益的挑战。引入机器学习可以通过实现对合金定向设计,弥合这一差距,从而开发具有增强高温抗氧化性能的新型合金。最近,Duan 等[7]以元素成分、温度和时间作为直接输入特征训练了各种机器学习模型,预测单位面积质量增益并提出最优合金成分。Peng 等[8]的研究以合金成分和温度作为输入参数,对等温和循环氧化场景预测 NiCr 基合金氧化抛物线生长速率常数(kp)。Bhattacharya 等[10]也使用梯度提升回归算法,以合金成分、氧化温度和时间预测 Ti 合金的抛物线生长速率常数(kp,550–750 °C)。Anirudh 等[9]在 CastBoost 机器学习模型中关注特定特征范围,预测 Fe-Cr 和 Fe-Cr-Ni 合金循环氧化动力学(650–800 °C,10% 水蒸气)。在已报道的文献中,高温氧化的机器学习研究主要直接以元素成分作为输入特征,未赋予这些数值任何物理意义。尽管这种方法简单且易于实现,但它没有明确包含控制氧化过程的重要因素,如键合强度、缺陷行为、扩散机制、热力学稳定性或氧化膜形成。因此,有必要在成分之外引入具有物理意义的特征,以便模型能更好地捕捉氧化背后的科学原理,同时提高预测可靠性。为此,近期框架已将物理信息描述符集成到机器学习氧化建模中。例如,Xu 等[24]使用贝叶斯 XGBoost 实现了热力学信息模型,将成分和循环参数映射为复杂 Ni 基高温合金的质量变化。Bejjipurapu 等[25]在高斯过程回归模型中构建了包含氧化物体积分数和热力学稳定性的物理描述符,用于筛选难熔高熵合金。虽然这些方法成功地纳入了物理描述符,但它们本质上是为不同材料类别优化的,且依赖于静态的单值体相端点,而非追踪连续的氧化动力学曲线。物理信息描述符捕捉铂族金属(PGM)取代 β-NiAl 在不同 PGM 种类和取代水平下的时间分辨动态氧化动力学的能力,仍然完全未被探索。虽然机器学习研究在氧化预测方面显示出前景,但这些方法在很大程度上充当黑箱模型,将合金成分或描述符直接映射到氧化预测,而不解释控制氧化机制的底层物理过程。在此,我们将物理信息描述符与 SHAP 和 CoSMoR 分析相结合,研究模型决策路径并识别预测氧化动力学背后的有意义物理关系。在先前将氧化行为压缩为单一端点值的物理描述符方法中,我们的框架能够解释整个时间依赖的氧化动力学及其与氧化实验、横截面微观结构和熔点测量的一致性。因此,其新颖性在于超越黑箱成分到性能预测,转向对 PGM 取代 β-NiAl 时间分辨氧化动力学的可解释、物理信息分析。在本工作中,我们提出了一种数据驱动的机器学习方法,使用两组不同的特征来预测含 PGM 的 NiAl 的氧化行为。第一组特征由成分平均的物理和热力学特征组成,包括电子和混合参数;而第二组特征集使用直接元素成分作为输入变量。我们使用了三种机器学习算法:随机森林(RF)[26]、人工神经网络(ANN)[27]和极端梯度提升(XGBoost)[28]。模型在由 24 种 NiAl-PGM 合金组成的 4474 个数据点的精选数据集上训练,这些数据点提取自氧化动力学曲线,将在下一节中更详细地讨论。为评估模型能力,训练后的模型在从近期文献收集的三个未包含在训练集中的额外 NiAl-PGM 合金上进行验证。每类机器学习方法在预测氧化动力学方面的性能通过不同指标对每组特征向量进行了评估和讨论。此外,还进行了 SHAP(Shapley 加性解释)分析以解释训练模型的决策过程。分析了全局 SHAP 值和元素级 SHAP 贡献,以理解每种合金化元素(Pt、Pd、Ir、Rh)和每个物理特征对氧化质量增益的影响。**方法**本工作采用的机器学习(ML)策略如图 1 所示,并在下文详细描述。除开发 ML 模型外,我们还对各种 PGM 取代合金进行了实验评估。计算工作包括数据库整理和探索,随后进行特征工程以开发 ML 模型,这些模型在精选数据集上训练,用于预测未见合金的氧化趋势。最后,我们使用了自行开发的……**结果与讨论**NiAl 的氧化由 Al 的优先氧化控制,以形成缓慢生长的 Al2O3 氧化膜。添加 PGM 会改变缺陷形成的能量学[13]以及 Ni 活性,从而适当改变扩散动力学[5], [12],促进 Al 的选择性氧化形成 Al2O3[50], [51],从而降低氧化动力学。通常,添加大量 PGM(约 5 原子% 或更多)也会提高金属间化合物的熔点……**结论**本工作专注于开发一种数据驱动框架,用于预测和解释 PGM 取代 β-NiAl 合金的循环氧化行为。所解决的问题在唯一合金成分方面本质上是一个稀疏数据问题。因此,我们通过预测氧化动力学曲线而非抛物线速率常数来应对这一问题。比较了两种表示策略:基于直接元素成分的表示和物理启发的特征集……**CRediT 作者贡献声明****Rudraksha Bhardwaj:** 撰写——初稿、可视化、方法论、调查、形式分析、数据整理。**Dishant Beniwal:** 撰写——审阅与编辑、方法论、形式分析。**Travis M. Brammer:** 验证、调查。**Matthew J. Kramer:** 撰写——审阅与编辑、监督、资源、项目管理、资金支持、数据整理。**Pratik K. Ray:** 撰写——审阅与编辑、监督、资源、项目管理、方法论、资金支持……**利益冲突声明**作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:[Pratik Kumar Ray 声明 DST-ANRF 提供了财务支持。Matthew J. Kramer 声明美国能源部提供了财务支持。如有其他作者,他们声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。]**致谢**Ames Laboratory(TMB, MJK)的研究得到了美国能源部(DOE)、科学办公室、基础能源科学、材料科学与工程处的支持。Ames Laboratory 由爱荷华州立大学代表美国 DOE 运营,合同编号为 DE-AC02-07CH11358。在 IIT Ropar(RB, PKR)进行的机器学习工作得到了 Anusandhan 国家研究基金会(ANRF)在加速创新与研究合作伙伴关系(PAIR)项目下的支持,编号为……
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号