《Journal of Materials Research and Technology》:Neural network-enabled prediction and optimization of mechanical properties and biocompatibility in high-entropy alloys: A data-driven approach to metallurgical innovation
本综述审视了人工神经网络(ANNs)在阐明合金成分、微观结构、加工条件与最终性能之间复杂非线性关系方面的能力。ANNs能够有效关联微观结构演化与材料性能,从而预测力学性能、热行为、耐腐蚀性和相稳定性,以及增材制造(AM)和焊接工艺参数。在生物医学应用方面,讨论了作为有前景的金属生物材料的高熵合金(HEAs)的兴起,重点关注其生物相容性预测。对钝化层稳定性、离子溶解速率和细胞相互作用的预测建模,使得设计针对植入物的定制化HEAs成为可能。Ti、Zr、Ta和Mo等元素表现出生物惰性,其在HEAs中的存在被战略性地利用机器学习算法加以优化。综述还评估了ANNs在优化从铸造、焊接到增材制造的冶金实践中日益增长的作用。虽然ANNs在简化材料发现方面提供了巨大潜力,但其在模型泛化能力、数据质量和可解释性方面存在局限性。讨论了将数据驱动模型与物理信息方法相结合,作为实现更准确和稳健预测的途径。必须优先开展跨学科研究,以利用ANNs的力量进行下一代材料设计。
本综述系统评估了ANNs在高熵合金微观结构与性能研究中的应用,聚焦于相稳定性、变形机制及其他关键特性。主要目标是基于已发表数据,突出关键发现并评估HEAs的性能。此外,研究人员强调了机器学习驱动的优化与决策的重要性,包括用于数据驱动材料设计的回归和分类方法。
1. 引言
现代经济的快速增长在材料工程领域催生了新的技术挑战,这要求开发具有卓越力学性能的创新材料,以用于先进的结构应用。然而,由于工业需求的演变和技术进步,为特定应用设计高性能材料对冶金研究者而言仍是一个重大挑战。近年来,人工智能(AI)作为变革性工具出现,通过加速先进材料的发现和优化来应对此挑战。AI使机器能够模仿人类的认知功能,如推理、学习和决策,为分析复杂的材料行为和过程提供了智能框架。在这个广泛的领域中,机器学习(ML)发挥着关键作用,它使系统能够从数据中学习,并在没有明确编程的情况下发现工艺参数、成分、微观结构和性能之间的隐藏联系。基于ML的模型在预测材料性能和指导实验方面展现了巨大潜力,其效率高于传统的试错方法。在ML的基础上,深度学习(DL)通过利用能够从高维数据中进行分层特征提取的多层神经网络,进一步推进了材料信息学。DL方法,如卷积神经网络和循环神经网络,在分析复杂微观结构图像、识别相图样和捕捉非线性关系方面表现出强大的能力,而这些关系通常难以使用传统统计方法建模。
1.1 AI、ML与DL的关系
AI、ML与DL是密切相关但又不同的概念,构成了现代材料科学研究中广泛应用的层级框架。AI代表一个广泛的学科,致力于开发能够执行通常需要人类智能任务的系统,如推理、学习和决策。在这个领域中,ML是一个子集,专注于开发能够从数据中学习模式而无需明确编程的算法。DL则是ML的一个专门子集,它采用具有多个隐藏层的ANN来建模复杂的非线性关系。关键异同点详见表格1。
概念上,DL是ML的子集,而ML本身属于AI的更广泛框架。AI涵盖了所有形式的智能计算系统,ML专注于自适应的数据驱动学习,DL则专门通过深度神经网络架构进行特征抽象。这些方法的结合为加速材料设计、优化合金成分以及开发用于苛刻结构和热环境的下一代高性能材料提供了强大的平台。
1.2 机器学习在冶金中的作用
传统上,合金设计依赖一种或两种主要元素,并添加少量元素以微调所需性能。然而,2004年,Yeh以及Cantor等人引入了一个冶金学的突破性概念——高熵合金(HEAs)。与传统合金不同,HEAs由五种或更多主要元素组成,呈等原子比或近等原子比浓度(通常为5-35 at.%)。与通常基于单一主导元素的传统合金不同,HEAs因其高构型熵而具有独特的性能,这种高熵稳定了简单的固溶体相,如面心立方(FCC)或体心立方(BCC)。混合的构型熵由方程(1)表示。
根据物理冶金学理论,多种合金元素的存在应导致复杂的金属间化合物微观结构。但令人惊讶的是,HEAs表现出热力学稳定的固溶体,由于其高构型熵,通常形成面心立方(FCC)、体心立方(BCC)或六方密排相。HEAs因其卓越的性能而受到广泛关注,其在强度、断裂韧性、热稳定性、耐腐蚀性和耐磨性方面超越了传统合金。然而,由于HEAs可用的成分空间巨大,确定实现所需性能的最佳成分仍然具有挑战性。这种复杂性使得传统的试错方法在确定完美合金成分方面效率低下。在这方面,ML已成为一个强大的工具,可以加速新材料的搜索。近年来利用ML技术的努力实现了高通量筛选,使研究人员能够有效地绘制材料性能与多种成分或结构描述符之间的关系图。
为了克服现有技术的局限性,研究人员建立了基于化学成分预测晶体结构和力学性能的新预测方法。这些高通量技术已被证明在设计具有定制微观结构和力学性能的HEAs方面是有效的。其中,相预测作为优化HEAs性能的关键工具,正在推动计算技术的最新进展。作为人工智能(AI)的一个子集,ML通过利用自学习过程来分类HEA系统中的复杂模式和关系,从而增强了估算能力。由于其处理不确定性和评估模式的能力,AI相对于过时的建模方法具有优势。研究人员已广泛利用ML技术来预测HEAs的关键性能,包括相和力学性能。因此,表格2比较了传统经验方法与机器学习模型在HEA预测方面的差异。
迄今为止,ML已成为预测金属材料相稳定性和力学行为的有力工具,消除了对复杂实验设置的必要性。基于神经网络的模拟日益普及,极大地有益于材料科学研究,为HEAs的设计和优化揭示了新的可能性。然而,尽管计算技术取得了进展,精确预测某些未知的材料性能仍然具有挑战性。本综述提供了对HEA微观结构和性能的全面评估,重点关注相稳定性、变形机制和其他属性。主要目标是突出关键发现,并基于迄今为止已发表的数据评估HEA性能。此外,研究人员强调了ML驱动的优化和决策的重要性,包括用于数据驱动材料设计的回归和分类方法。
1.3 HEAs作为金属生物材料的兴起
为满足不断增长的医疗需求,材料科学的持续创新至关重要。目前,人工植入物广泛应用于各种医疗领域,包括膝关节和髋关节、牙科植入物和心血管支架。常用的植入材料,如奥氏体不锈钢、钛合金和钴铬合金,通常含有50-90 wt.%的主要元素。尽管这些材料表现出合理的生物相容性,但其在某些应用中的可用性仍然有限。例如,广泛使用的钛合金Ti-6Al-4V在使用过程中可能释放铝和钒离子,这些离子与细胞毒性作用、耐磨性降低和潜在健康风险相关。多主元素合金,也被称为HEAs,因其成分灵活性和强大的力学性能,目前正在被研究用于生物医学用途。生物相容性是材料在生物系统内安全有效发挥功能的能力,对于植入物至关重要。具体而言,植入物材料必须避免引发免疫反应、组织炎症或不良血液反应,如凝血或溶血。由于其成分灵活性,HEAs可以设计成不含铝或钒——这些可能带来健康风险的元素。具体来说,由于潜在的毒性,不鼓励使用钒,即使它可能支持少量骨生长。相反,Ti、Zr、Ta、Hf和Nb等元素因其已证实的生物相容性而受到青睐。此外,常用于牙科和关节置换应用的CoCrMo合金目前正在接受审查,因为其可能存在离子释放和相关植入物降解问题。HEAs对于下一代植入物显得非常有前景,这些植入物必须安全有效,标志着生物医学技术的重大飞跃。
2. 神经网络基础
2.1 人工神经网络简介
AI已经发展成为一个广泛的领域,旨在开发能够模拟人类智能的系统,包括推理和决策。早期的AI系统主要是基于规则的,依赖于明确编程的知识,这限制了它们在复杂、数据密集型的材料科学应用中的适应性和可扩展性。ML通过引入数据驱动方法推进了AI,使系统能够从数据中学习模式而无需明确编程。传统的ML模型,如线性回归、支持向量回归(SVR)和决策树,已广泛用于材料科学中的性能预测和工艺优化。然而,这些模型通常需要手动特征工程,并且在捕获高度非线性关系方面能力有限。DL是ML的一个子集,通过采用多层ANN来自动学习特征表示,进一步改进了这一点。这使得DL在对先进材料系统中复杂的结构-性能关系建模时特别有效。然而,DL方法通常需要大型数据集和高计算资源。进一步地,作为DL核心的ANNs是建模成分、加工、微观结构和性能之间非线性关系的强大工具。尽管其预测能力很高,但它们的“黑箱”性质和数据依赖性仍然是重要的挑战。
与传统计算方法在处理复杂任务时常显不足相比,人工神经网络(ANNs)利用并行数据处理和模式识别来有效管理此类挑战。这种受大脑启发的计算方法旨在提供创新和高效的解决方案,以克服传统限制。随着生物科学研究的进展,我们对人类感知和神经系统的理解不断加深,从而可以改进ANN的设计。生物神经网络的关键特征之一是其通过基于模式的学习和响应来解释信息的能力。与遵循预定规则的传统编程不同,ANNs依赖于自我学习和泛化来检测和分类复杂模式。它们适应、自组织和保留信息的能力使其在动态和数据丰富的环境中特别有用。ANNs主要从生物神经系统和统计学习理论中汲取灵感。它们由相互连接的处理单元(神经元)层组成,这些单元共同学习模式并解决任务。通过协同工作,这些神经元使网络能够学习数据、识别模式,并在复杂问题领域中改进决策过程。表格3比较了各种机器学习模型与ANN,强调了它们各自的优势和局限性。
2.2 ANNs的工作原理
理解这些方法的分类对于设计功能系统、交互系统和独立系统至关重要,这些系统类似于人脑。在3D生物系统中,神经元以看似随机但高度功能化的方式自然连接。与工程系统中的神经元不同,生物神经网络不是由人类刻意构建或设计的。
现有的集成电路技术基于具有有限连接层的2D系统。这种物理限制约束了可以在基于硅的芯片上实现的ANN类型。简单的神经网络通常使用基本的人工神经元设计,这些神经元被组合在一起创建功能系统。当神经元层被排列和连接时,它们的能力可以用于分类任务。这些层如何交互以解决现实世界问题是设计和优化ANN架构的关键因素。图5展示了ANNs的不同结构和配置。在大多数系统中,多个神经元与外部环境交互以接收输入,而输出神经元将处理后的数据传回现实世界。然而,一个功能性的神经网络由除了神经元之外的几个组件组成。
由于ANNs可以近似任何连续函数,它们对于回归和预测任务非常有效。例如,用于引入非线性的sigmoid激活函数被定义为其中e是自然对数的底数。当输入值x较大且为正时,输出接近1,当输入为负且绝对值较大时,输出接近0。这个函数通过平滑、连续地将输入映射到输出来帮助ANNs学习复杂的非线性模式,如图6所示。
构建ANNs最有效的方法是通过分层组件并创建一个结构化的系统,其中神经元以分层方式协同工作。这些层通常分类如下:输入层——从外部来源接收数据,例如传感器、文件或实时应用;隐藏层——通过多个连接的神经元传递信号来处理和转换输入数据;输出层——将最终处理的信息发送回外部世界、另一个处理器或控制系统。大多数现代ANNs至少需要三个不同的层:一个输入层、一个隐藏层和一个输出层。然而,一些先进的系统可能包含额外的专用层用于深度学习应用。每个隐藏层由多个相互连接的神经元组成。一个隐藏层中的神经元接收来自上游层神经元的信号,并将处理后的信息传递给下游神经元。一些架构甚至具有完全互连的隐藏层,其中每个神经元都与相邻层中的每个神经元相连。
一旦一个神经元完成其处理任务,它就会将其输出发送给下一层的多个神经元。整个网络通过反馈循环不断细化其响应,逐步提高其预测和决策能力。图7概念性地说明了数据在ANN产生最终输出之前如何被预处理、转换和通过各个阶段。
具体而言,ANN从数据中学习模式以执行预测或分类。该过程始于获取一个全面的数据库,该数据库包含实验生成的数据和从文献中挖掘的相关信息。该数据集自然包含输入参数,如化学成分和加工条件,以及输出性能,如屈服强度和硬度。随后,预处理产生一个ML数据库,其中输入参数被视为特征,期望的输出作为目标变量。由输入层、一个或多个隐藏层和输出层组成的ANN模型被训练以学习这些特征和目标之间的关系。一旦训练完成,该模型可用于对未见过的输入条件进行预测,从而促进材料设计和性能优化。
2.3 ANNs在合金设计中的作用
粉末冶金是一种通过金属粉末制造合金的加工方法。该过程从粉末制备开始,然后进行球磨以确保均匀混合和颗粒尺寸细化。这一步也可以促进固态扩散并促进合金形成。球磨后的粉末随后通过单轴烧结工艺压缩成所需形状,如图8(a)所示。铸造是另一种生产合金的复杂技术,涉及多个步骤,如图8(b)所示。
材料开发的一个主要挑战是需要以更高效和更具成本效益的方式设计新型材料。HEAs的巨大成分空间导致了大量可能的合金组合,这使得新型合金的合成和表征既耗时又昂贵。传统的试错技术需要广泛的材料制备、测试和表征过程,这自然阻碍了新合金成分的发现和优化。相比之下,ANNs提供了一个明显更好的替代方案,因为它们可以快速预测未知材料的性能。通过有效地建模复杂的非线性关系,ANNs减少了实验负担,加速了设计周期,并能够在资源消耗可忽略不计的情况下实现材料性能优化。因此,ANNs对于创新合金的开发变得越来越重要,提供了一种比传统方法更快、更经济的设计途径。图9展示了ANNs在合金设计背景下的功能。
3. ANNs在HEA研究中的应用
ANNs在预测HEAs性能方面表现出卓越的性能,因为它们能够捕获成分、加工和微观结构之间的复杂非线性关系。与传统经验模型和传统机器学习技术相比,ANN模型始终实现更高的预测准确性,通常表现为更高的R
2和更低的RMSE值。ANN应用的重大成就包括准确预测力学性能,如强度和硬度,以及对相稳定性和微观结构演化的可靠建模。ANN模型也已成功应用于预测热性能和腐蚀性能,在许多情况下显示出接近实验的准确性。它们从高维数据集中学习的能力使得能够高效探索大型成分空间,大大减少了实验工作量。
ANN的优势在于其灵活性、自动特征学习以及对多变量非线性相互作用的强大建模能力。尽管数据需求和可解释性有限等挑战仍然存在,但最近的进步正在进一步增强其可靠性,使ANN成为先进HEA设计的强大工具。以下小节讨论了ANN模型在预测HEA特定性能方面的应用,包括力学性能、热性能和腐蚀行为。
3.1 力学性能
ANNs已被广泛应用于预测HEAs的力学性能,包括屈服强度、硬度、延展性和弹性模量。由于多种合金元素之间复杂的非线性相互作用,传统模型往往无法准确捕获其基本关系。ANNs通过从实验和计算数据集中学习来克服这一限制,从而能够可靠地预测不同成分空间中的力学行为。在HEA研究中,ANN模型通常结合输入参数,如元素组成、加工条件和微观结构特征,来预测力学响应。这种方法允许识别关键影响因素,并促进针对目标性能的合金设计优化。此外,ANNs可以处理多变量依赖性和噪声数据,使其特别适合真实世界的材料数据集。
基于ANN的模型通过实现对具有所需力学性能的潜在合金成分的快速筛选,显著减少了实验工作量。尽管在数据可用性和模型可解释性方面存在挑战,ANNs已经证明了其高预测准确性,并且仍然是加速开发高性能HEAs的强大工具。ANN模型被广泛用于预测关键力学性能,如屈服强度、抗拉强度、硬度和断裂韧性。通过学习应力-应变曲线的数据,ANNs可以精确估计材料在多种加载条件下的性能。此外,将ANNs与遗传算法或粒子群优化相结合的混合方法提高了合金开发的效率和成本效益。因此,这些技术在设计具有卓越力学性能的合金方面越来越受欢迎。
3.2 热性能
ANN模型可用于评估热特性,包括热导率和热膨胀系数,这些是材料在高温下性能的关键决定因素。ANN预测有助于优化用于苛刻环境的材料,例如航空航天和发电应用,在这些环境中保持热稳定性至关重要。热障涂层模型提供了关于燃气轮机降解行为和性能的宝贵见解,促进了具有优异耐热性的材料的选择。图10展示了一个旨在预测热电性能的模型。
3.3 耐腐蚀和抗氧化性
ANNs在预测合金的耐腐蚀性和抗氧化性方面也起着至关重要的作用,这对于涉及恶劣条件(例如高温和腐蚀性化学物质)的应用非常重要,例如海洋环境。ANNs可以通过检查电化学数据和环境条件来预测材料的腐蚀速率及其点蚀敏感性。此外,此类模型可以预测保护性涂层的性能,例如用于不锈钢和高温合金的涂层。ANNs还可以预测应力腐蚀开裂(SCC)和氢脆,从而更全面地了解材料在不同环境应力下的长期性能。图11说明了ANN模型如何预测蠕变和氧化行为。
3.4 相变与稳定性
ANNs可以通过根据合金成分和加工方法识别材料相来预测相图。此外,此类模型在理解相在各种热和压力条件下如何保持稳定方面做出了重大贡献。通过分析使用高通量实验技术(包括X射线衍射和电子显微镜)获得的数据,ANNs可以准确估计加工各个阶段的相形成和相变行为。这种能力对于增强材料在众多应用中的性能至关重要。进一步地,各种机器学习(ML)模型已被用于使用材料描述符和工艺参数预测珠光体相变温度。其中,ANN模型表现出强大的预测能力,并使用优化技术如人工鱼群算法(AFSA)进一步增强。在许多研究中,基于ANN的BPNN模型显示出优越的预测准确性,并使用MEA等优化算法进一步增强。结果表明,ML,特别是ANN模型,可以有效地捕获成分-相关系,并提供经实验数据验证的可靠预测。机器学习(ML)模型,包括ANN、SVM和ELM,已被应用于预测珠光体钢TTT图的关键特征。虽然ANN表现出强大的预测能力,但基于R
2、RMSE和MAPE,SVM模型实现了更高的准确性。总体而言,ML方法显示出可靠的性能,预测结果通过显微组织分析进行了验证。
3.5 微观结构-性能关系
合金的微观结构,包括织构、晶粒尺寸和热处理效果等特征,在定义其性能方面起着关键作用。ANNs已被广泛用于预测这些微观结构特征如何影响材料行为。最近的一项研究揭示了材料的微观结构与其性能之间的关系,重点关注跨多个长度尺度的复杂结构。图12展示了一个复杂的深度学习架构,特别是3D卷积神经网络(CNN),旨在确定不同材料中复杂的非线性工艺-结构-性能相互依赖性。最后的回归阶段将潜在的结构特征转换为标量性能预测,创建了加工历史与最终材料行为之间的数据中心联系。
此外,机器学习在微观结构-性能关系中的应用在计算材料科学中受到了广泛关注,因为它能够从实验和模拟数据中识别复杂的非线性相关性。这种方法通过提高预测精度和降低计算成本,为传统建模技术提供了一个有前景的替代方案。尽管有这些优势,当前的机器学习研究主要集中在为单个微观结构-性能关系设计的任务特定模型上,从而限制了其在多种性能和材料系统之间的泛化能力。
3.6 晶粒尺寸
HEAs的晶粒尺寸与其他性能之间存在复杂的关联。ANN模型可以阐明如何控制晶粒尺寸以实现最佳性能,例如基于Hall-Petch关系的高强度。图13展示了一个ANN框架,旨在根据复杂输入参数组合预测晶粒尺寸和晶格应变。这个数据驱动模型捕获了加工条件与所得微观结构特征之间隐藏的非线性依赖关系,这些关系通常太复杂,无法用传统分析模型建模。
模型的学习曲线和相关图突出了其出色的性能,在训练、验证和测试数据集上的R值均超过0.99;此外,最低的验证误差(0.0111,在Epoch 42时)表明其具有强大的泛化能力且没有过拟合。这个ANN模型不仅仅是简单地插值数据,而是作为实验和物理直觉的替代,提供可靠的预测,并可能实现逆向工程以达到目标晶粒尺寸的加工路径。这凸显了ML在应对纳米结构形成固有的混乱和多变量景观方面的力量。
3.7 织构
材料在加工过程中(如轧制或锻造)形成的织构可以显著影响其力学行为,特别是沿应力方向。ANN模型在预测材料织构以及基于加工技术的性能方面非常有效。此外,此类模型对于确定能够产生实现高疲劳抗力所需织构的工艺参数非常有用。最近,Shen等人设计了两个前沿的CNN模型,采用区域变换和迁移学习,从电子背散射衍射(EBSD)图案重建晶体取向。该模型对图像噪声具有高度鲁棒性,并利用实验测量的索引方向,达到了与当前可实现的最高速EBSD扫描速度相当的速度。图14为其示意图。
3.8 热处理效果
热处理对于改变材料的微观结构至关重要,从而影响其性能。ANN模型可以预测各种热处理方法如何影响材料的微观结构特征,进而影响其性能。通过分析通过热处理测试和模拟获得的大型数据集,这些模型有助于确定实现不同目标性能(如最大强度或最小残余应力)所需的最佳热处理。在材料科学研究中,ANNs协助进行性能预测、合金配方和工艺优化。它们在制造过程中也至关重要,因为它们可以简化质量控制并实现预测性维护。此外,它们还可以帮助医疗专业人员进行诊断和患者护理,帮助金融机构检测欺诈和评估风险。表格4列出了几种力学性能以及相应的定量模型。此外,ML方法越来越多地用于优化热处理工艺,如退火、淬火和回火。各种ML模型,包括支持向量机、随机森林和神经网络,已被应用于预测材料性能和微观结构演化。这些方法在定制材料性能的同时提高了效率和准确性,同时降低了实验成本和复杂性。
3.9 增材制造与焊接工艺参数
ANN和ML技术已成为对增材制造(AM)和基于焊接的沉积工艺中工艺参数进行建模、预测和优化的有效工具,在这些工艺中,输入变量与最终制造质量之间存在强烈的非线性相互作用。在电弧增材制造(WAAM)中,如电弧行进速度(TS)、送丝速度(WFS)、电流和热输入等工艺参数直接影响熔池动力学,进而影响焊道几何形状,这决定了沉积部件的尺寸精度和力学性能。
最近的研究表明,基于ANN和ML的模型能够以高统计可靠性准确预测焊道尺寸,包括宽度、高度、横截面积和接触角,如图15所示。例如,在通过冷金属过渡(CMT)WAAM加工的CoCrFeNiMo
0.2 HEA中,基于72个实验制备焊道训练的机器学习模型,在关键焊道特征上实现了超过0.97的决定系数(R
2)。SVR在预测焊道宽度(R
2 ≈ 0.91)和横截面积(R
2 ≈ 0.97)方面表现出最高的准确性,证明了其在捕获平滑、非线性参数-几何关系方面的强大能力。反向传播神经网络(BPNN)在预测焊道高度方面表现出色,R
2值高达0.98,而RFR在模拟焊道接触角方面特别有效,实现了约0.90的R
2值。
定量分析进一步揭示,ML模型成功编码了物理上有意义的趋势:增加TS或减少WFS会减少热输入,导致焊道宽度、高度和面积可测量的减少,而较大的接触角(≈ 40°–80°)与较低的TS值(约5 mm/s)相关。这些直接从实验数据中学习到的趋势,突显了ANN框架将复杂的流体-热相互作用转化为预测性设计工具的能力。
因此,将ANN和ML整合到AM和焊接研究中,能够实现快速工艺参数优化,最小化实验试错,并增强WAAM制造部件的几何控制。这种数据驱动的方法对于新兴材料系统(如高熵合金)尤其有价值,因为这些系统的传统工艺图有限,并且需要几何、微观结构和性能的多目标优化。ANNs在自主系统、环境建模、通信和图像识别方面做出了重要贡献,这突显了它们在科学和工业应用中的关键作用(图16)。
4. 生物相容性预测与分析
在生物医学应用中,骨骼被视为需要植入材料兼具生物相容性和功能稳健性的特殊组织。迄今为止,骨科专家和材料科学家的共同努力一直致力于开发能与身体无缝整合的植入物。HEAs以其耐腐蚀性和稳定的表面特性而闻名,正在作为下一代生物材料被探索。例如,Ti、Zr、Hf、Nb、Mo和Ta因其无毒性、生物相容性或惰性而表现出良好的生物行为,而Cr、Ni和W则因其毒性而不利。上述生物相容性元素有助于形成具有高表面离子电阻率的稳定钝化氧化膜,保护植入物免受腐蚀性体液的侵蚀,并最大限度地减少电化学降解。与传统合金不同,HEAs通常形成单相固溶体,防止有害金属间化合物的产生并最大限度地减少点蚀腐蚀。然而,相分离或偏析等微观结构特征仍可能损害钝化膜的完整性,因此必须加以控制。Roche等人开发了一种生物相容性HEA (Ti
21Nb
24Mo
23Hf
17Ta
15),该合金在模拟体液中表现出优异的耐腐蚀性和稳定的钝化性能。该HEA产生的双层钝化膜确保了生物相容性,其电化学阻抗谱(EIS)结果使用双时间常数模型进行了准确拟合。此外,Eldabah等人使用ANNs,特别是极限学习机方法,设计了具有定制生物医学性能的Ti-Zr-Nb-Mo中熵合金。这些合金表现出低弹性模量(69.5 GPa)、足够的强度(>600 MPa)和优异的生物响应(超过98%的细胞活力)。因此,这些研究证实了ML在设计用于医疗植入物的HEA方面的潜力。
ML已成为材料科学中的强大工具,能够快速预测材料稳定性、晶体结构和结构-性能关系,同时减少了对第一性原理方法的依赖。尽管取得了这些进展,但模型可解释性和物理理解等挑战仍然存在。在此背景下,ML被进一步应用于预测生物相容性HEAs的成分与力学性能之间的关系,其中通过第一性原理计算验证的预测结果显示出与实验结果的高度一致性。这种综合方法实现了高效的合金设计和优化,从而获得了具有改进力学性能和生物相容性的HEAs。
5. 当前挑战、技术限制与未来路径
尽管ANNs在预测材料性能以指导合金设计方面取得了显著进展,但仍存在若干技术障碍。在确保高质量数据、提高模型可解释性、防止过拟合以及有效结合混合建模与生成式AI和高通量方法方面的挑战,持续限制着ANNs在冶金领域的潜力。解决这些问题对于未来的进步至关重要。
5.1 数据准确性、模型可解释性与过拟合关注点
在材料科学和冶金学中使用ANNs的主要困难之一是确保高质量的训练数据。有缺陷或嘈杂的数据集可能导致不准确的预测和不可靠的模型。当使用需要在原子级分辨率描述材料的高维数据时,这个问题变得更加复杂。因此,收集全面和高质量的数据集对于提高ANN性能至关重要。ANNs的另一个主要限制是其可解释性不足。尽管具有强大的预测能力,ANNs通常被认为是“黑箱”模型,因为理解其预测的基础很困难。这种透明度问题可能会阻碍进展,特别是在冶金学中,理解材料行为背后的机制至关重要。几种新兴的解决方案可以解决这一差距。物理信息神经网络(PINNs)将热力学和动力学约束直接嵌入学习过程,提高了可解释性和物理一致性。迁移学习使得知识可以从研究充分的合金系统重用到数据稀缺的HEA成分,增强了鲁棒性并减少了过拟合。事后可解释性工具如SHAP和LIME可以进一步量化特征重要性和局部决策行为,有助于识别主要的合金元素和关键的工艺变量。
展望未来,将可解释的ML技术与领域知识和实验验证相结合,对于超越预测迈向机制感知的合金设计至关重要。预计这种混合方法将提高模型的透明度、可信度和在真实世界冶金研究与开发中的采用率。因此,研究人员目前正在尝试通过开发能够说明和解释ANN决策过程的方法来提高模型可解释性,尽管这仍是一项正在进行中的工作。表格5总结了各种冶金研究中使用的ANN模型。
ANNs在过拟合时可能会捕获训练数据集中的噪声和特定模式,从而削弱它们对未见数据的泛化能力。这通常导致在实际任务中的性能下降。正则化、丢弃法和交叉验证等策略通常被实施以降低过拟合风险。然而,识别泛化能力和模型复杂性之间的最佳权衡通常很困难,需要仔细调整。
5.2 混合方法、AI生成设计与快速测试技术
为了应对与ANNs相关的挑战,研究人员已将其与从头算计算、分子动力学和有限元分析等技术相结合,以实现更全面的建模。ANNs可以连接原子级模拟与大规模材料性能分析,提高多尺度预测的准确性。此外,生成式AI,特别是生成对抗网络,正在成为材料科学中一个有影响力的工具,促进具有目标性能的新材料成分和结构的分类。此类模型可以突出显示新的、未经验证的材料组合,这些组合可能表现出预期的行为,从而加速材料发现。
通过将实验与基于ML的预测相结合,研究人员可以高效扫描大型成分领域并确定潜在有用的材料组合。因此,ML提供的能力在不断发展的材料科学领域中非常有价值。
6. 结论
本研究证明,神经网络赋能的、数据驱动的框架为预测和优化高熵合金(HEAs)的力学性能和生物