.png){kind=icon}
返回
Phase diagram construction and prediction method based on machine learning algorithms
.png){kind=icon}
OA
AI
DOI：10.1016/j.jmrt.2025.03.065.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
相图，作为材料研究的指南和地图，在材料设计与开发中发挥着指导作用。传统的CALPHAD方法可通过评估热力学模型参数提供关于相平衡的详细信息。然而，由于涉及显著的时间成本和实验数据缺乏，CALPHAD评估对于多组分系统可能尤为具有挑战性，尤其是在尝试预测多组分系统的相图时。快速发展的机器学习技术为处理海量数据与参数开辟了新途径。与此同时，CALPHAD方法已积累了大量高质量相图数据，这些数据可作为机器学习算法的理想训练数据。在本研究中，提出了一种将机器学习算法与CALPHAD描述符相结合的相图预测方法。本研究建立了并训练机器学习模型以预测材料的相类型和固溶体温度。利用从CALPHAD方法获得的训练数据集，我们将总吉布斯自由能与磁性描述符与训练集结合，以预测Cu-Co-Ni和Fe-Cu-Co三元系统的等温截面。结果表明，高温不仅增强了Co、Ni和Cu在金属间化合物中的固溶性，还有助于共晶沉淀物（gamma Fe+alpha Co）的形成。该方法可通过训练低组分体系的相图数据，高效预测更高组分体系的材料相图，从而为用机器学习技术补充CALPHAD提供了新策略，并扩展了CALPHAD方法在高熵合金和功能材料等先进材料中的应用。
Keyword:
CALPHAD
Machine learning
Digitalized phase diagram
Phase region
Solvus temperature
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.6
论文数:
1.7W
被引数:
6.8W
机构
暂无机构信息
引用论文
Accelerated design of L12-strengthened Co-base superalloys based on machine learning of experimental data.png)
MATERIALS & DESIGNOAAI
MATERIALS & DESIGNIF7.9
OAAI分享收藏
A two-stage predicting model for γ′ solvus temperature of L12-strengthened Co-base superalloys based on machine learningINTERMETALLICS
INTERMETALLICSIF4.8
PREAI
分享收藏分享收藏PANDAT software with PanEngine, PanOptimizer and PanPrecipitation for multi-component phase diagram calculation and materials property simulation带有PanEngine，PanOptimizer和pan沉淀的PANDAT软件，用于多组分相图计算和材料性能模拟Calphad
CalphadIF0
PREAI
分享收藏
查看更多内容