鑄造鋁合金由于密度小、鑄造流動性好、可塑性強等優點廣泛應用于汽車、航空航天和機械制造等重要領域。工業生產中，通常會在鑄造鋁合金中添加堿土金屬Sr來細化合金微觀組織以改善合金綜合力學性能。然而，采用傳統的“試錯法”難以實現高效的Sr改性鑄造鋁合金的成分設計。因此，如何對合金進行前期設計，預測合金微觀結構和性能，以高效開發具有優異性能的鑄造鋁合金對工業生產具有重大指導意義！

針對以上問題，中南大學張利軍教授團隊提出一種高效的合金設計新策略：耦合計算熱力學方法和機器學習技術，高效設計了A356鑄造鋁合金中Sr的最佳添加量，深入探討了Sr改性鑄造鋁合金的強韌化機理。相關論文以題為“Efficient alloy design of Sr-modified A356 alloys driven by computational thermodynamics and machine learning”發表在材料科學期刊Journal of Materials Science & Technology上。論文共同第一作者為中南大學的博士生易旺和碩士生劉光琛，通訊作者為中南大學的張利軍教授和高建寶博士，合作者包括桂林電子科技大學的盧照副研究員。

論文鏈接： https://doi.org/10.1016/j.jmst.2021.09.061

該項研究工作以Al-Si-Mg-Sr四元體系為研究對象，首先統一了Al-Si-Mg-Sr四元體系所有邊界二元系的熱力學描述，通過CALPHAD方法更新了Al-Mg-Sr三元體系的熱力學參數，并重現了Al-Mg-Sr三元體系熱力學相圖（見圖1）；結合熱力學外推方法建立Al-Si-Mg-Sr四元系熱力學數據庫，并通過制備關鍵合金，結合微結構表征和熱效應分析驗證所建立四元系熱力學數據庫的可靠性（見圖2）。

圖1. Al-Mg-Sr三元體系計算相圖：（a）Al35Mg65-Al7Mg13Mg80(in wt.%)計算垂直截面；（b）10 wt.%Sr計算垂直截面；（c）Al-Mg-Sr三元體系400oC計算等溫截面；（d）計算與實驗相轉變溫度對比圖，對角實線上，計算結果與實驗數據完全一致。

圖2. Al-Si-Mg-Sr四元體系熱力學數據庫構筑及驗證：（a）A356-xSr(in wt.%)計算垂直截面與DSC升溫型號對比；（b）A356-xSr(in wt.%)計算凝固相圖與DSC降溫型號對比。

隨后，集成計算熱力學、機器學習技術和關鍵實驗，高效設計了A356鑄造鋁合金中Sr的添加量（見圖3）。基于可靠的熱力學數據庫，采用課題組前期開發的新型機器學習加速的分布式任務管理系統(Malac-Distmas)進行高通量的平衡相圖計算和非平衡凝固模擬，高效構筑A356合金隨Sr含量變化的凝固相圖及其相/組織分數圖，進而建立了合金成分與微結構之間的定量關系；同時，將實驗和計算微結構信息及測定力學性能作為機器學習ANN模型的輸入數據集，篩選機器學習模型參數，獲取合金成分—微結構—性能間的定量關系，高效地確定A356合金中Sr的最佳添加量為0.005 wt.%，隨后通過關鍵力學性能測定及微結構表征驗證合金理論設計的可靠性（見圖4）。

圖3.耦合計算熱力學，機器學習和關鍵實驗進行Sr改性鑄造鋁合金成分設計的研究策略。

圖4. Sr改性A356合金設計：（a）通過計算熱力學構建的合金成分-微結構定量關系;（b）基于計算微結構信息和實驗測定力學性能，采用機器學習技術預測的Sr改性A356合金力學性能；（c）綜合力學性能因子及代表性實測微結構信息；（d）實驗驗證預測A356鋁合金中Sr的最佳添加量為0.005wt.%。

最后，通過對比分析了計算熱力學和機器學習技術的優缺點，并通過數據挖掘技術深入挖掘Sr改性A356合金的強韌化機制，發現合金強度的提升主要來自于合金共晶組織的貢獻，而合金塑性的提升主要來自于合金中的初晶(Al)和軟質相Al2Si2Sr的貢獻（見圖5和圖6）。

研究工作為工業鑄造鋁合金的成分設計及強韌化機理的全面研究提供了一種可行方案。

圖5.通過機器學習技術建立合金力學性能與合金微結構關系，挖掘合金強韌化機理：（a）初晶(Al)；（b）共晶（Al）；（c）共晶(Si)；（d）Al2Si2Sr相。斜率為正表示性能與微結構呈正相關，斜率為負表示性能與微結構呈負相關。

圖6.通過計算熱力學分析驗證機器學習所挖掘的合金強韌化機理：（a）A356-xSr合金計算生長抑制因子；（b）A356-xSr合金計算凝固相圖；（c）A356-xSr合金成分-組織關系圖；（d）第一性原理計算的（Al）、（Si）和Al2Si2Sr相的體積模量。

審核編輯 ：李倩