導讀：具有超高強度和高韌性的鋁合金是航空航天工業應用的基礎結構材料。由于強度和韌性之間的內在限制，優化這些相互沖突的特性的理想組合在材料開發中始終具有挑戰性。本研究根據文獻中高強高韌鋁合金的特性，整理出171組數據。建立了具有面向屬性的設計策略的機器學習設計系統（MLDS），以快速發現具有延展性和韌性指標（伸長率δ=8%–10%，斷裂韌性K IC =33–35 MPa·m1/2的新型鋁合金) ,當極限拉伸強度 (UTS) 超過約 100 MPa ,達到 700-750 MPa,與當前最先進的 AA7136 鋁合金相比。用MLDS 進行實驗驗證，三種典型的候選合金表現出令人滿意的性能.

高強高韌鋁合金因其高比強度、優異的耐蝕性、良好的加工性能和可回收性，是現代交通運輸、航空航天等行業的關鍵結構材料。AA7050、AA7055和AA7136鋁合金是典型的高性能航空鋁合金。在常規的工業生產條件下，極限抗拉強度(UTS)可達600–650兆帕，伸長率為8%–10%，斷裂韌性為33–35MPa·m1/2。隨著高速鐵路列車、飛機和其他交通工具的發展，對輕質、超高速和廉價的要求使得鋁合金的綜合性能變得更高。例如，一個目標是航空用高性能鋁合金的UTS達到700-800MPa；其他主要性能，如韌性、可加工性和耐腐蝕性，將與目前廣泛使用的先進AA7050、AA7055 和AA7136合金相當。

近幾十年來，高強高韌鋁合金的發展特點是合金成分越來越復雜，含有大量的鋅、鎂、銅、錳、鐵、硅、鎳、鉻、鈦、鋯和鈧，從而產生了巨大的成分設計空間。因此，用傳統的經驗試錯法很難快速準確地設計出滿足多目標性能要求的合金成分。可以容易地分析材料的成分、形成過程、結構和性質，建立性質預測模型的機器學習方法被應用于用巨大的空間來描述新材料，然后執行經驗驗證；這些方法近年來發展迅速。機器學習方法已經應用于鎳鈦形狀記憶合金，鈦酸鋇基壓電材料和超硬高熵合金。然而，與報道的研究對象相比，高強度和高韌性鋁合金的成分、工藝和性能具有更大的可變性。為復雜合金建立機器學習輔助的合金設計策略，并開發滿足未來航空發展需求的高性能鋁合金，是該領域機器學習方法面臨的主要挑戰。

在此，北京科技大學謝建新教授團隊探索了機器學習方法在發現超高強度高韌性鋁合金中的應用。通過收集文獻中公布的具有高強度和高韌性鋁合金統一標準的報告實驗數據，應用MLDS快速獲得滿足目標性能要求的成分設計方案。然后，選取了三種典型的設計合金進行實驗驗證，并對新型超高強高韌鋁合金的硬化和韌化機理進行了分析。研究結果可為快速發現具有多目標特性的復雜合金提供參考。相關研究成果以題“Discovery of aluminum alloys with ultra-strength and high-toughness via a property-oriented design strategy”發表在金屬頂刊Journal of Materials Science & Technology上。

鏈接：https://www.sciencedirect.com/science/article/pii/S1005030221005259#fig0004

圖1新型超高強高韌鋁合金的合理設計方法。

圖2兩個神經網絡模型的訓練結果組成屬性模型(C2P): (a) UTS，(b) δ，(c)K IC；成分模型屬性(P2C): (d)鋅，(e)鎂，(f)銅。

圖3P2C模型和MLDS設計之間合金成分波動的比較:(a)鋅，(b)鎂，(c)銅和(d)鋯。

圖5。實驗合金中大尺寸沉淀物的典型透射電鏡照片:(1)亮場圖像；選區電子衍射分析:(b) Al6Mn，(c) Al3Zr，(d) Al18Cr2Mg3。

圖6 實驗合金中小析出物測試的TEM圖像:小析出物的形態分布:(a1) E1合金，(b1) E2合金，(c1) E3合金；η的大小統計η‘相區和GP區:(a2) E1合金，(b2) E2合金，(c2) E3合金；晶界析出物的形態分布:(a3) E1合金，(b3) E2合金和(c3) E3合金。

圖7新型超高強高韌鋁合金與現有高強高韌鋁合金的綜合性能比較:

(a)UTS和δ，(b) UTS和KIC。

圖 7展示了本工作中的新型鋁合金與本工作中的超強高韌鋁合金與文獻中現有的高強高韌鋁合金的性能比較。使用MLDS篩選出三種具有超強高韌性的新型鋁合金并進行實驗驗證，表現出優異的綜合性能。該合金的延性和韌性指標與先進的AA7136鋁合金相當，伸長率δ達到7.8%~9.5%，斷裂韌性K IC達到32.2~33.9 MPa·m 1/2，而合金的 UTS 明顯高于 AA7136 鋁合金，達到 707.5-736.5 MPa。突出的抗拉強度對于輕量化航空航天等設備具有重要意義