核能安全所通过机器学习方法实现RAFM钢的“按需设计”
文章来源： 发布时间：2022-07-08
文/图：李孝晨
近期，中科院合肥研究院核能安全技术研究所郑明杰课题组在低活化铁素体/马氏体（RAFM）钢智能设计方面取得新进展，相关研究成果发表在国际知名期刊《Materials Science and Engineering: A》。博士研究生李孝晨为论文第一作者，郑明杰研究员和丁文艺副研究员为共同通讯作者。
由传统9Cr-1Mo钢发展而来的RAFM钢，因其具有良好的热物理、热机械和抗辐照性能，被认为是聚变反应堆理想的候选结构材料之一。然而，高温（>550 ℃）实验表明，RAFM钢存在明显的高温软化效应，这严重限制了其高温应用及服役安全性。为满足未来商用聚变堆材料更高服役温度的要求，需要进一步优化RAFM钢的高温力学性能。这对于传统的“实验试错法”是一个很大的挑战。近年来发展的机器学习方法为优化设计高性能RAFM钢提供了一种新的可行性途径。目前的机器学习模型主要是建立从成分和工艺参数到性能的正向模型，并从巨大的虚拟空间中筛选出良好的候选组合，还无法有效实现面向性能的逆向设计（即“按需设计”）。
鉴于此，课题组研究人员提出了一种“按需设计”的机器学习设计策略，并设计制备出高温拉伸性能优异的新型RAFM钢。首先，选择梯度提升回归算法构建预测RAFM钢拉伸性能的正向模型；然后，利用人工神经网络算法建立逆向模型，对给定的拉伸性能提供可能的成分和热处理参数的候选组合。最后，将正向模型和逆向模型相结合，建立智能设计模型（如图1所示），用于实现RAFM钢的“按需设计”。通过相关文献的实验数据验证了该智能设计模型的有效性，并应用该模型设计制备了新型RAFM钢。其在600 ℃的测试温度下，极限抗拉强度（UTS）为539 MPa，总延伸率（TE）为20.6%。该实验结果与设计目标值基本一致，并且在TE值不明显损失的情况下，600 ℃的UTS值比传统RAFM钢高100 MPa以上（如图2所示）。
综上，研究人员构建的智能设计模型实现了RAFM钢的“按需设计”，并将有助于促进RAFM钢等先进结构材料的设计研发。
该项研究工作得到了国家重点研发计划及国家自然科学基金项目的资助。
图1 基于机器学习的RAFM钢“按需设计”策略示意图
