热力学计算与机器学习相结合逆向设计镍基高温合金OA北大核心CSTPCD

采用热力学计算与机器学习相结合的方法进行镍基高温合金面向热力学性能要求的逆向设计。结果表明:通过高通量热力学计算成功构建镍基高温合金热力学计算数据集,为采用机器学习方法实现面向热力学性能要求的镍基高温合金逆向设计提供数据基础。针对热力学目标性能建立若干C2P模型,模型精度均高于99%。采用MLDS方法进行合金成分逆向设计,推荐的8种合金均满足性能的要求(1100℃下的γ''相体积分数Vγ'',1100℃≥60%,V_(γ,1100℃)+Vγ'',1100℃≥99%,γ''相熔点Tγ′≥1300℃)。热力学性能预测误差最小的3种合金实验验证表明,Vγ'',1100℃均大于80%,时效后的组织中V_(γ,1100℃)+Vγ'',1100℃≥99%,且Tγ′≥1300℃,均满足设计的要求。