准同型相界原理结合数据挖掘技术设计窄热滞后形状记忆合金

The reversible martensitic transformation in shape memory alloys (SMAs) is always of first order, and consequently possesses large thermal hysteresis. The existence of large thermal hysteresis results in low efficiency of energy conversion, low accuracy of controlling temperature, restricting the possible applications of SMAs. Although chemical modification or alloying can tailor the transformation behavior, the various doping elements result in enormous possibilities. Thus, a design strategy to guide the development of low thermal hysteresis SMAs by effectively navigating the complex search space is desired. .In the present study, we proposed an adaptive design strategy for developing SMAs with low thermal hysteresis via combination of morphotropic phase boundary (MPB) idea and machine learning techniques. By utilizing statistical inference models, a one-to-one direct mapping between alloy composition of the two ends of pseudo-binary phase diagram and the position of triple point can be obtained. Based on the mapping, a design recipe can be suggested, which can predict the position of triple point and its corresponding thermal hysteresis merely from alloy compositions. Furthermore, Based on the idea of MPB, a Ginzburg-Landau model of MPB in SMAs can be established, whose coefficients can be predicted by our statistic inference model from alloy compositions. Adapting such Ginzburg-Landau model into our machine learning design loop allows us to realize the multi-objective optimization for multi-component alloys..The present study will not only overcome the drawback of MPB idea that require a prior knowledge of phase diagram, but also probably can solve the suboptimal problem of pure regression exploitation. We expect to establish a web interface that can allow on-line practicing our design strategy. Furthermore, the combination of transmission electron microscope (TEM) observation and time-dependent Ginzburg-Landau (TDGL) simulation may provide the possible physical mechanism for low thermal hysteresis in SMAs.

形状记忆合金中的马氏体相变具有较大热滞后，造成器件能量转换效率和温度控制精度低，限制了其应用。虽然合金化可以降低其热滞后，但合金数目随合金元素种类增加呈几何级数增长，难以在大量合金中快速发现具有窄热滞后的合金。本项目提出将准同型相界这一在其他铁性材料中存在的物理学原理，与考虑预测不确定性的数据挖掘技术相结合，开发窄滞后合金的新思路。以数据挖掘技术建立合金元素种类、成分与相图中三相点成分及其热滞后之间的关系，提出精确构建三相点准同型相界来设计窄滞后合金的准则；进一步，建立准同型相界Ginzburg-Landau理论模型，以数据挖掘技术预测其参数，进而计算材料的热滞后等性能，实现多组分合金、多目标性能的优化。本研究不仅避免了准同型相界原理需要提前预知相图的缺点，而且克服了纯数据挖掘技术可能被限制于局域极值的局限性，有望在建立热滞后网络优化平台的同时，阐明形状记忆合金出现窄热滞后可能的物理机制。

形状记忆合金中的马氏体相变具有较大热滞后，造成器件能量转换效率和温度控制精度低，限制了其应用。虽然合金化可以降低其热滞后，但合金的数目随合金元素种类增加呈几何级数增长；难以在大量合金中快速定位发现具有窄热滞后性能的合金。本项目提出将准同型相界这一在其他铁性材料中存在的物理学原理，与考虑预测不确定性的数据挖掘技术相结合，开发窄滞后合金的新思路。.在项目的执行过程中，提出了基于主动学习的材料设计方案，这一设计思路是一个由数据采集、统计模型、实验设计、结果反馈组成的循环回路；通过对回路的多次循环，实现对材料目标性能的快速优化，进一步比较了不同的实验设计策略，发现平衡考虑预测值与不确定性的策略在材料开发中更加高效；进一步利用数据挖掘技术建立了形状记忆合金元素种类、成分与相变点之间的定量关系，实现了多元形状记忆合金材料等多组元材料相图的快速预测，从而能够快速搜索复杂体系相图中的三相点成分；建立了缺陷掺杂形状记忆合金Ginzburg-Landau理论模型，将不同掺杂原子的掺杂效果以随机内体积应变场引入自由能，成功复现了掺杂对形状记忆合金相变行为的影响规律，模拟结果表明掺杂类型与掺杂浓度能够有效的调控合金的热滞后性能；在此基础上，开发了TiNiCu-TiNiPd伪二元形状记忆合金体系，设计了准同型相界三相点成分，该合金热滞后在三相点处达到最小值，并通过高分辨透射电子显微镜发现B2母相与B19，B19’马氏体相纳米尺度共存是合金出现热滞后极小值的重要原因。.基于已有数据，通过主动学习建立相图，进一步指导实验的设计方法，不仅避免了准同型相界原理需要提前预知相图的缺点，而且也客服了纯数据挖掘技术可能被限制于局域极值的局限性，有望快速优化形状记忆合金热滞后性能，并有望推广到不同材料的不同性能的优化中。