《Advanced Science》：机器学习开发4D打印绿色金属新材料

据悉，新加坡制造技术研究院联合香港城市大学和宾夕法尼亚州立大学等研究人员，通过机器学习结合热力学计算，开发了一种专用于增材制造的Fe-20.8Ni-6.2Ti-1.7Al (wt%)新型马氏体钢，相关研究以“Machine Learning Customized Novel Material for Energy-Efficient 4D Printing”为题发表在《Advanced Science》上。

目前现有的激光增材制造（LAM）商用粉末是针对需要后热处理（PHT）的传统制造方法而设计的。AM加工的商用金属材料大多需要后热处理（PHT）才能达到良好的性能，这需要消耗能源并排放二氧化碳。冶金工业是最大的温室气体排放领域之一，其中热处理占了很大一部分。免PHT的可持续合金设计是制造“绿色”金属材料的研究热点，如何高效地设计增材制造专用的合金材料、缩短合金设计的周期、实现在无后热处理下获得高强-高韧打印件仍然是领域内的一大挑战。

马氏体钢是一种马氏体硬化先进钢，在约450-550°C热处理3-9小时后，通过金属间化合物（例如η-Ni3Ti，Ni3Mo，Ni3Al，NiAl等）的析出来增强。这项研究定制了一种新型的Fe-Ni-Ti-Al马氏体钢，并辅以机器学习，以利用IHT效应在没有PHT的情况下在LAM期间原位形成大量沉淀物。在当前主流的异位4D打印中，3D打印结构的随时间演变（即性能或功能变化）发生在零件形成之后。这项研究突出了原位4D打印，通过将随时间变化的沉淀硬化与3D几何形状同步集成，显示出高能效和可持续性。这些发现为通过理解和利用IHT材料相互作用来开发LAM定制材料提供了新方案。

机器学习(Machine Learning)作为一种人工智能技术，能够使机器或系统从数据中学习并做出可靠的决策或预测，它在加速新材料的设计和开发方面展示了巨大潜力和能力。

图1：Fe-Ni-Ti-Al新型马氏体钢（NMS）的机器学习（ML）辅助成分设计示意图。首先，分析影响材料性能的关键指标，然后通过ML模型来预测了各合金元素对这些关键指标(如N3Ti析出相和Laves)的影响。训练的数据集来自于Thermal-Calc热力学计算，总共使用1815个数据点用来训练替代模型。在各类常见模型中，随机森林（RF）模型可以得到极高的预测准确度（R2>99%），图2，充分证明了ML预测的有效性。对ML预测的成分进行进一步验证，最终得到了最优的合金成分为Fe-20.8Ni-6.2Ti-1.7Al (wt%)。

图2：不同ML模型对Laves期和Ni3Ti沉淀物代理建模的性能比较，a）决定系数（即R2评分）和b）平均绝对误差（MAE）。通过射频回归模型绘制了c）Laves相和d）Ni3Ti析出物预测的预测数据点的真实数据，显示出在给定合金成分的情况下预测相含量的强大能力。（注意：R2分数越高表示性能越好，而 MAE 值越低表示性能越好。）

通过调整上述设计空间和约束函数中的设置，可以获得一组入围的构图。然后，通过使用Thermo-Calc软件中的沉淀模块“TC-PRISMA”在材料动力学模拟中验证和比较这些入围成分，可以估计随时间变化的动态沉淀行为（例如，Ni3Ti沉淀速率和最大含量如图1e所示），从而达到最终的成分决策Fe-20.8Ni-6.2Ti-1.7Al（重量%）。所生产粉末的形态和元素映射包含在图1f中，其具有良好的球形，平均粒径约为37μm（图3a）。该组合物能够在490°C热处理仅15分钟后，以3.3×1024 m−1（接近峰值密度）的极高密度快速沉淀Ni3Ti。还评估了这种定制NMS的脆性和可印刷性（例如，开裂趋势），并与CMS进行了比较。NMS的凝固温度范围（凝固开裂的关键指标）与CMS的凝固温度范围相似，表明由于CMS表现出优异的焊接性，因此在LDED期间开裂的可能性较低。此外，在该NMS中，预测的Laves相位低于2wt%，略低于C300 CMS。

图3：加工学习定制粉末、LDED 工艺和定制 Fe-Ni-Ti-Al NMS 的机械性能概述。a） 粉末粒度分布。b）横截面图，c）反极图，d）粉末的相分布图。e） CMS 的 3D 打印 （3DP） 然后使用 PHT 形成沉淀物与 ML 定制 NMS 的 4D 打印 （4DP） 之间的说明性比较，其中原位形成大量沉淀物由 IHT 在没有 PHT 的情况下煽动。通过f）连续沉积和g）层间暂停（ILP）沉积策略对LDED处理的NMS的空间形貌。h） 连续和 ILP 沉积策略中随时间变化的热历史（Ms = 182 °C）。i） NMS和CMS的拉伸工程应力-应变曲线。j） 通过原位DIC监测NMS的变形行为。

4D打印为：当受到不同的环境刺激（例如，热，光，水等）时，3D打印结构的形状，属性或功能可以随时间变化。当前主流的4D打印可以称为非原位4D打印，因为时间相关的演变发生在3D目标形成之后，而不是同步。相比之下，这项研究突出了原位4D打印，通过将随时间变化的演变（即降水）与3D几何形状进行原位集成。

微观结构与原位析出机理

总体而言，LDED处理的NMS表现出多尺度的分层微观结构。在宏观尺度上，整个样品中黑层和白层交替分布（图4a）。在层内，有周期性的熔池。在熔池内检查后，在LDED处理的NMS样品的深色和白色区域中观察到尺寸/臂间距小于10μm的细胞和树枝状结构。空间相位分布如图4b所示，其中富含BCC的区域与暗层相匹配。不同沉积层中富含BCC和富含FCC的交替形成宏观尺度的分层双相。有趣的是，对富含BCC层的仔细观察揭示了微尺度FCC和BCC双相微观结构。分层异质结构相可归因于材料凝固过程中的不同冷却速率，其中熔池边界和层界面的冷却速率高于其他地区。高冷却速率有利于BCC相的形成。通过TEM检查了大量ILP样品中的位错特征（图4c），该特征揭示了由于与LDED工艺（尤其是ILP沉积策略）相关的高冷却速率引起的残余应力加剧而导致的高密度位错缠结。

图4：通过ILP沉积策略对粉末和LDED处理的NMS进行微观结构分析。a） 暗层和白层的空间分布（图示了用于 TEM 测试的 FIB 提取区域）。b） BCC 和 FCC 阶段的空间分布。c） TEM 图像显示 ILP 样品中的高密度位错。d）ILP 样品的粉末和 e） 白色区域没有显示出沉淀物的证据。f）对暗区的TEM观测显示出大量的沉淀物。g） 针状沉淀物和相关 SADP 的放大图像。h） 沉淀物的EDS映射分析。i，j）Ni3Ti沉淀物的HR-TEM分析，其中（j）是（i）中标记区域的近距离视图。k） FCC-Fe基质和圆形沉淀物的高分辨率HAADF STEM图像和FFT。l） 高分辨率HAADF-STEM图像显示Ni3Ti的周期性Ti和Ni原子。m） 原位降水行为和机理示意图。

沉淀与力学性能的相关性

对NMS块体材料和粉末的局部区域进行了微柱压缩，以进一步研究原位形成的沉淀物对力学性能的影响。如图5a所示，微柱（图5b，c）与NMS粉末颗粒的微柱（图5d）一起从块ILP样品的深色和白色区域（图5b，c）中提取，如图S6g所示，如支持信息中的图S6g所示）。测量的压应力-应变曲线如图5d所示，表明暗区比白色区域和粉末的强度更高。值得注意的是，由于没有沉淀物，白色区域显示出与粉末相似的强度（见图4）。与暗区域相关的较高强度可能来自高密度位错和沉淀，因为它们可以增强材料。因此，了解局部力学性能对于阐明原位析出行为及其对机械性能的影响至关重要。来自粉末（图5e）和暗区（图5f）的柱子都表现出延展性断裂行为，没有明显的剪切裂纹，这表明纳米沉淀强化了材料，而脆性没有明显增加。

图5：a） 插图显示了 ILP 样品中微柱的位置。b，c）分别从白色（支柱1）和深色（支柱2）区域提取的微柱形态。d） 从ILP样品（白色和深色区域）和原料粉末中取出的柱子的压应力-应变曲线。e，f）粉末和暗区微柱的断裂形态。g）4D打印NMS在这项研究中的拉伸性能与各种AM加工的高强度钢（全部处于竣工状态）相比，包括：（i）高强度低合金钢（HSLA），如24CrNiMo， AF9628，和HY100; （ii）沉淀硬化钢（PHS），如17-4PH，15-5PH，和CX SS;（iii）高强度不锈钢，如AISI 420， AISI 4130，和AISI 4340; （iv） 工具钢（例如 H13），（v） 还原活化铁素体/马氏体（RAFM） 钢（例如 CLF-1）;以及（vi）马氏体钢，如Fe19Ni5Ti和C300MS。

综上所述，本研究通过机器学习定制了一种新型马氏体钢，无需PHT即可在LDED过程中原位形成沉淀物。ILP沉积策略促进了高密度位错马氏体基体的形成，并形成了多级双相。材料的快速析出动力学和LDED中独特的IHT效应促进了块状纳米Ni3Ti的原位析出。微柱压缩评估的局部力学性能表明，与原料粉末相比，原位形成的Ni3Ti沉淀物增强了LDED处理的NMS强度。LDED制备的NMS马氏体时效钢的抗拉强度约为1.54GPa，伸长率均匀为8.1%，优于各种AM加工的高强度钢。这项研究突出了利用激光AM独特的热处理开发高性能金属的潜在方法，从而进一步推动AM定制的新材料的功能改进和可持续性。

文章来源：

https://onlinelibrary.wiley.com/doi/10.1002/advs.202206607