前沿 | 数据驱动的镁合金结构与性能设计

摘 要

随着材料基因组计划的提出以及大数据技术和人工智能技术的飞速发展，基于数据驱动的新材料设计得到了广泛的关注，并逐渐成为新型材料研发的重要方法。近年来，国内外研究人员在基于高通量计算和人工智能技术预测材料组织性能等方面开展了大量工作，获得了大量通过实验方法难以直接获取的性能参数，形成了以数据为核心的材料设计方法。镁合金在航空航天、电子信息和生物医用等领域展现出很好的应用前景，但是强度低、塑性差以及耐腐蚀性能差等不足限制了其进一步应用。概述了近年来国内外研究人员利用基于密度泛函理论的第一性原理计算以及计算机人工智能的机器学习方法，在研究镁合金力学性能及相关组织结构，如热力学稳定性、滑移系启动能垒、成分-组织-工艺与性能关系，以及耐腐蚀性能，如阳极电极电位、功函数计算、阴极表面水解和析氢反应方面的进展，并展望了该研究领域亟待解决的问题以及未来发展方向。

关键词镁合金；第一性原理计算；机器学习；力学性能；耐腐蚀性能

本文综述了数据驱动镁合金设计的相关方法与进展，关注利用第一性原理计算以及机器学习方法探讨、改善镁合金的力学性能和耐腐蚀性能的工作。

利用第一性原理计算，通过对形成能的计算，可以判断合金中析出相结构是否稳定，并且能对时效过程中的析出相析出顺序作出预测；通过建立广义层错能的预测模型，可以根据掺杂元素的基本性质和掺杂体系的结构性质对镁合金材料的塑性进行初步预测。对于耐腐蚀镁合金的设计，可以借助第一性原理计算确定影响镁合金微电偶腐蚀的热力学和动力学关键参数，筛选高耐腐蚀性能的镁合金体系，从理论上指导新型耐腐蚀镁合金的开发，并根据筛选结果制备镁合金材料，验证计算的准确性和可靠性。这些工作都能够为镁合金的性能设计提供理论参考，为进一步基于高通量计算筛选成分奠定基础。

机器学习擅长在纷繁的数据中发现、建立背后的关联。机器学习通过数据进行训练与学习，能够构建描述因子与输出之间的映射关系，在分类、回归以及高维问题中表现出强大的处理能力。在镁合金领域中，已经成功地运用在性能预测、孪晶形核预测、加速新材料发现等研究。机器学习是一个高效、准确的研究工具。然而，如何更好地将机器学习与材料学机理结合起来，使模型的训练建立在材料学基本原理的基础上，依旧是研究的难点。目前，将第一性原理计算和机器学习结合的研究在无机材料合成、晶体结构及新化合物发现等领域都有成功的案例。然而，在镁合金研究领域，将第一性原理计算与机器学习两种方法结合起来的研究还鲜有报道。未来研究应更多地关注于如何将材料学知识与机器学习相融合，使得机器学习的模型不仅建立在数据的基础上，更是建立在材料学基本原理之上。

综上，第一性原理计算和机器学习方法是新型镁合金成分设计和高性能镁合金开发的有力、重要工具，基于理论计算建立的相关材料数据库，可以使人们对材料结构和物性之间的关系有更深层次的认知，从而真正实现数据驱动的新材料研发设计。

文章附图

图1 A-B的凸包由β相和γ相构成，α相为亚稳相，高于凸包的基线(a)；α、β、γ相的形成能，以每个溶质原子能量为单位(b)

图2 计算的二元稀土镁合金中Mg/β‘’两相区(4Mg+Mg₃RE)，β‘-short相(Mg₇RE)，β’-long相(Mg₇RE)的形成能

图3 计算的各种稀土镁合金中的析出相析出序列与实验结果对比图

图4 Mg-Li合金(a)和Mg-Al合金(b)的局部态密度图，对应的费米能如图中虚线所示

图5 计算得出的Mg-X体系广义层错能：(a)I₂的本征层错能，(b)I₁的本征层错能，(c)I₂的不稳定层错能和(d)I₁的不稳定层错能，掺杂浓度（原子百分数）为表面掺杂25%，在Mg-X体系整体掺杂2.08%

图6 Mg-X合金体系不稳定层错能γus2模型预测，其中红色虚线为预测值与计算值的拟合趋势

图7 溶质元素和Cl吸附（表面原子掺杂浓度为25%）对Mg(0001)功函数的影响和局部电极电势偏移的影响

图8 镁合金中常见的金属间化合物的计算阳极平衡电势Ea和实验测得的腐蚀电势Ecorr对比图

图9 对纯Mg、Mg-0.3%Ge（质量分数，标记为Mg-0.3Ge）和Mg-0.1%Cu（标记为Mg-0.1Cu）预测的极化曲线

图10 电极析氢反应的交换电流与氢原子吸附能的Volcano Plot(a)及其原理(b)

图11 Mg₂Ge最稳定表面上处于析氢平衡电位时析氢的反应路径和能垒

图12 基于神经网络方法的硬度预测(a)和腐蚀速率预测(b)模型示意图

出自《中国材料进展》第39卷第1期

《数据驱动的镁合金结构与性能设计》

作者：曾小勤，谢天，应韬，朱虹，刘言伟，王乐耘，丁文江

来源：上海交通大学材料科学与工程学院 材易通