Active learning prediction and electromagnetic levitation measurement of metastable liquid properties of Ti-Al-Zr alloy

Ti-Al-Zr合金亚稳液态性质的主动学习预测与电磁悬浮测量

作者信息：

R.L. Xiao, K.L. Liu, H.R. Li, Y. Ruan

MOE Key Laboratory of Materials Physics and Chemistry under Extraordinary Conditions, 

Northwestern Polytechnical University, Xi' an, 710072, China

https://doi.org/10.1016/j.revmat.2025.100004

文章介绍：

考虑到其低密度、高比强度、耐烧蚀性、优异的高温力学性能以及出色的抗氧化性，Ti-Al基合金作为一种新兴材料，在航空航天领域具有广阔的应用前景。它们已被用于航天器蒙皮、控制面以及航空发动机叶片等关键高温部件中。尽管研究人员在提升Ti-Al基合金的服役性能方面已开展了大量工作，但仍需进一步突破。

液态热物性的精确测定对于优化制造工艺至关重要，而液态结构的理解有助于揭示其液-固相变过程，从而实现性能的进一步优化。在实验方面，研究人员利用地面或空间站的电磁悬浮（EML）装置研究了Ti-Al、Ti-Al-Nb、Ti-Al-Ta 和 Ti-Al-Cr-Nb 等合金的热物性参数。此外，还采用同步辐射微束X射线衍射技术对Ti-Al合金的液-固转变过程进行了原位研究。在模拟方面，研究者基于密度泛函理论（DFT）开展了从头算分子动力学（AIMD）模拟，探讨了化学成分对Ti-Al合金热力学性质和液态结构的影响。此外，还构建了适用于Ti-Al、Ti-Al-Nb和Ti-Al-Ni合金的经典分子动力学（MD）经验势函数，这些势函数主要基于固态构建，但其对液态合金预测能力的准确性仍需进一步验证。

尽管实验测量和第一性原理计算具有较高的可靠性，但其成本较高且效率较低。相较之下，经典分子动力学模拟效率较高，但预测精度略逊一筹。近年来，深度神经网络（DNN）等机器学习方法的快速发展，为材料性能预测提供了一种兼具精度和效率的新途径。

本研究基于Zr元素在提升Ti-Al合金力学性能、抗氧化性、抗辐照性以及工艺适应性和可焊接性方面的积极作用，选取Ti-Al-Zr合金作为研究对象。我们分析了快速凝固态Ti-Al-Zr合金的显微组织与相组成，并通过基于Deep Potential Generator（DPGEN）的主动学习方法，构建了液态Ti-Al-Zr合金的深度神经网络势函数，从而获得其热物性参数。此外，还揭示了液态合金中的结构演化行为。