机构名称：
¥ 1.0
摘要。高熵超合金（HESA）具有广泛开发的有希望的属性，以提高高温应用中的性能，资源可持续性和成本效率。本研究的重点是基于Fe的HESA及其堆叠断层能量（SFE），这是影响变形机制和蠕变抗性的关键参数。这种发展在经济上更便宜，因为它利用Fe而不是Ni作为合金基础，该基础已广泛开发。我们提出了一种使用大数据分析来预测SFE的新方法，利用机器学习和计算热力学。计算出的SFE作为组成和温度的函数成为机器学习模型的数据库。我们采用深度学习神经网络模型来实现令人印象深刻的0.008均方根误差（RMSE），以预测SFE值和类。高熵超合金的组成旨在降低SFE，从而促进堆叠断层和双边界的形成，从而在高温下产生高强度和蠕变性。我们的研究为实现所需的SFE：Ni（9-15 at％），CR（15-36 at％），AL（5-22.75 at％），CU（9-22.75 at％）和FE（FE（％22.75-40 at％））建立了最佳设计指南。fe可以增加直到40 at。％，为15 at。％ni，或者可以减少ni，直到9 at。％，而较低的fe为22.75 at。％。
使用
主要关键词
相关文件推荐
