基于机器学习的高强度ODS合金成分设计

白 冰，郑 全，任 帅，张长义，杨 文,*，胡长军

(1.中国原子能科学研究院 反应堆工程技术研究部，北京 102413；2.北京科技大学，北京 100083)

自20世纪80年代，日本、欧盟、美国、俄罗斯、中国、韩国等分别或联合开展了氧化物弥散强化(ODS)合金的研发。ODS合金是通过粉末冶金的方法将起强化作用的氧化物颗粒以弥散分布的形式加入到基体材料中，使基体材料在原有的固溶强化、析出物强化的基础上，增加了氧化物颗粒的弥散强化。因此相对于现有不锈钢，ODS合金具有优异的高温性能，已被作为第4代先进能源系统(先进快堆、超临界水堆)结构材料和聚变堆第一壁结构材料的首选，但目前的研究表明，其高温力学性能和抗辐照性能[1-3]仍是制约ODS合金在快堆和聚变堆领域应用的关键技术难题。

另一方面，材料基因工程(MGI)的出现反映了全球对加速材料从发现到应用进程的需要。其中，基于大量数据，采用机器学习找出特征性参量，进行数据挖掘(人工智能+数据)，进而预测出候选材料是材料基因工程中的一种重要工作模式。近年来，利用机器学习进行材料研究的成果开始大量涌现。Raccuglia等[4]采用机器学习中决策树方法从之前“不成功”的实验数据中学习规律，成功预测出新的金属有机氧化物材料。对比有经验的化学家人工判断，机器预测结果成功率以89%∶78%胜出。Xue[5]利用贝叶斯线性回归等多种回归模型加速了形状记忆合金、压电材料等的开发。Ren等[6]通过高通量实验结果与机器学习模型间的迭代，加速了金属玻璃的发现。由此可见，机器学习方法擅长在纷繁的数据中发现和建立之间的关联。材料是由极大数量原子构成的，描述材料的重要参量不仅有成分、结构，还包括缺陷等，十分复杂。材料性能通常是多个物理机制耦合的结果，很少只受单一因素影响，因此仅建立与某一参量相关的简单模型很难描述。利用机器学习方法可同时研究多参量耦合的结果，增加理解问题的维度。机器学习方法的引入对于理解与发现各种材料参数与性能间的关联极有帮助。因此，本文针对ODS合金，尝试借助机器学习方法，建立ODS合金中关键成分与力学性能的关联性，有助于推进ODS合金的材料优化。

1 ODS合金数据的筛选

ODS合金的成分、加工工艺等均会影响ODS合金基体、氧化物颗粒及其界面处的微观结构，进而影响ODS合金的拉伸性能。文献[7-8]研究表明，ODS合金中的主要合金元素Cr能同时提高力学性能、抗腐蚀和抗氧化性能，但含量过高会促进硬脆的δ铁素体形成，导致强度、塑韧性下降，目前ODS合金中Cr含量多为9%～18%，Cr含量可影响ODS合金的组织结构(高Cr合金常为铁素体钢，其他多为铁素体/马氏体钢)，进而对力学性能影响明显。

ODS合金的主要强化特点是加入了细小的氧化物颗粒弥散在基体中，氧化物颗粒使沉淀、氧化物弥散与位错强化迅速增大成为ODS合金中的主要强化，其强化效果甚至超过固溶强化和细晶强化之和。在高温、辐照下，沉淀相重新溶解，位错移动能力增强、钉扎效果减弱，沉淀强化、位错强化效果减弱，而氧化物颗粒在高温下仍保持稳定，保证了弥散强化、减轻辐照损伤等效果，从而使ODS合金具有良好的高温力学性能、抗氧化耐腐蚀性能及耐辐照性能等。文献[7-9]中ODS合金中添加的氧化物大多数为Y2O3，少量文献中涉及Al2O3(1 000 ℃发生α相向γ相转变)、V2O3、MgO、ZrO2、TiO2及La2O3、CeO2等其他稀土氧化物，且均为高熔点氧化物，这类氧化物的添加可提高ODS合金的高温力学性能(尤其是强度)。文献[7-9]中氧化物主要涉及ⅡB～ⅣB族元素，其中主要为ⅢB族的Y，其次为ⅣB族的Ti、Zr。其中Y在基体中溶解度低于Ti、Zr，高温、辐照等条件下，Y在基体中扩散速度较Ti、Zr慢，氧化物溶解-再析出过程慢，能较长时间维持其原有尺寸、分布，从而使ODS合金力学性能维持更长时间。此外，Y2O3能与Ti、Zr等元素反应生成尺寸更细、稳定性更好的复杂氧化物。但Y2O3的添加量是否对ODS合金的性能产生影响，目前已有部分相关研究，文献[9-10]报道Y2O3的添加量多为0.02%～0.05%。另外，ODS合金中Ti、Al、W等较低含量元素的加入，既能形成碳化物提高基体组织性能、细化晶粒、改善低温脆性，也能与氧化物颗粒形成尺度更小更均匀的强化相，因此，这类元素的添加亦会对ODS合金性能产生影响。

除成分外，ODS合金的制备工艺也是影响其材料最终性能的关键环节[11]。ODS合金制备工艺总体上分两类：粉末冶金和熔炼，其中粉末冶金为主要研究方向，并已实现工业化生产。熔炼主要能克服粉末冶金无法成型大型工件、产品塑韧性较差的缺点。目前采用熔炼法制备ODS合金的研究较少，主要问题是真空熔炼制备的ODS合金中氧化物虽能有效添加，但尺寸只能达到μm级，使其力学性能、抗辐照性能不如粉末冶金制得的纳米氧化物ODS合金。粉末冶金制备ODS合金，通常分为制粉、成型、后续处理3部分。制粉方法主要有氧化法、化学法、机械合金化法等，其中，机械合金化法为目前ODS合金研究中应用最广泛的制粉方法[12-13]，已应用于工业化生产ODS合金(如MA957)。成型方法主要有热等静压法、热挤压法、放电等离子体烧结法等，其中，热等静压法广泛应用于实验室ODS合金研究制备中，该法成型温度低于热挤压法，产品晶粒细小、致密度高、无各向异性，故宏观力学性能较好，尤其适用于不易加工的ODS合金。热等静压法的影响因素主要有温度、压力、时间等。

ODS合金无论应用于快堆中的包壳材料，还是聚变堆中的第一壁结构材料，力学性能中重点关注拉伸性能(包含抗拉强度、屈服强度、总延伸率等)及蠕变性能(包含蠕变断裂强度、断裂时间等)。因此综上所述，机器学习所基于的数据库，主要包含ODS合金的成分、加工工艺、测试条件、性能数据等信息。

ODS合金作为快堆包壳材料，或聚变堆的第一壁结构材料，其力学性能(尤其是高温力学性能)是关注的焦点之一[10,14]，本文选择Cr含量、Ti含量、W含量、Al含量、Y2O3含量、相结构、成型工艺类型及温度、性能测试样品类型及测试温度作为建立与力学性能关联性的输入。本文共收集并筛选200～300组数据，利用这些数据，通过构建机器学习的算法，获得材料关键成分与力学性能的关联性。

2 ODS合金关键组分与拉伸性能的关联

针对200～300组的小样本预测，支持向量机方法具有更好的精度，因此本文中亦采用该方法。首先准备数据，将数据转换为Libsvm软件包要求的数据格式(label index1:value1，index2:value2，…)，其中，对于分类来说label为类标识，指定数据的种类；而对于回归来说label为目标值。index是从1开始的自然数，value是每一维的特征值。然后训练数据，生成模型。训练中所需调整的重要参数为-c、-g、-p，本文采用gridregression.py对此3个参数进行优化。

回归预测过程中，样本的属性个数选择非常重要，过少的属性会导致欠拟合，过多的属性又会导致过拟合。因此，根据上述对数据的筛选，确定了ODS合金中的Cr含量、Ti含量、W含量、Al含量、Y2O3含量、相结构、成型工艺类型及温度，拉伸测试温度作为机器学习的输入，其中训练集99个样本，用于训练出合适的模型，测试集44个样本，用于测试所训练模型的准确性。测试结果如图1所示，可看出，所训练出的模型预测相关系数达0.75以上。

图1 抗拉强度预测值-实验值分布散点图Fig.1 Distribution scatter diagram of predicted-measured tensile strengths

利用上述训练的模型，预测Cr、Ti、W、Al、Y2O3关键成分和抗拉强度之间的关系。建立每种元素与抗拉强度的关系时，其他元素含量需设定为定值。最初设定Ti为0.1%、W为1%、Al为0%、Y2O3为0.3%，建立Cr与抗拉强度的关系后，将Cr含量的最优值作为输入以建立另一元素与抗拉强度的关系，以此类推。图2为不同元素与抗拉强度的关系。可看出，在Cr、Y2O3、W和Ti含量与ODS合金抗拉强度的变化趋势中，均存在对应抗拉强度极值的最优值，而添加Al对抗拉强度的提升无明显作用。

图2 不同元素与抗拉强度的关系Fig.2 Relation between different elements and tensile strength

3 成分优化建议

由图2给出的ODS合金关键成分与抗拉强度的关系中，通过选取靠近抗拉强度极值的参数，得到抗拉强度的优化预测，结果列于表1。

表1 ODS合金关键组分优化后的抗拉强度预测Table 1 Prediction of tensile strength of ODS alloy after component optimization

4 结论

本文针对ODS合金，收集了200～300组试验数据，每组数据包含ODS合金的成分、加工工艺、相结构、拉伸性能测试参数和拉伸性能数据等。针对已有的ODS合金拉伸性能影响因素的研究结果，筛选出9种属性作为机器学习研究的输入，包含ODS合金中Cr含量、Y2O3含量、W含量、Ti含量、Al含量、成型工艺类型及温度、相结构和拉伸测试温度。利用支持向量机的方法，建立了ODS合金中关键成分与其抗拉强度的关联性，其中Cr、Y2O3、W和Ti含量均存在对应着抗拉强度极值的最优值，而添加Al对抗拉强度的提升无明显作用。获得的几种抗拉强度优化的ODS合金关键成分配比，所预测出的室温抗拉强度均在1 400 MPa以上。该研究结果对后续的材料优化提出了新的建议和思路。