增材制造高强度铝合金的学术研究报告
本研究由 S. Mohadeseh Taheri-Mousavi（通讯作者，所属单位：麻省理工学院机械工程系，后转至卡内基梅隆大学）、A. John Hart（通讯作者，麻省理工学院机械工程系）及其合作者团队（成员来自麻省理工学院、卡内基梅隆大学、帕德博恩大学、西北大学等）共同完成。研究成果以《Additively manufacturable high-strength aluminum alloys with coarsening-resistant microstructures achieved via rapid solidification》为题，于2025年在线发表于 Advanced Materials 期刊（2026年卷38期，文章号e09507）。
一、 研究学术背景
本研究属于先进金属材料、增材制造（Additive Manufacturing， AM）与计算材料工程交叉领域。增材制造，特别是激光粉末床熔融（Laser Powder Bed Fusion， LPBF），因其快速凝固的非平衡条件，为设计具有独特显微组织的高性能铝合金提供了新途径。传统高强度铝合金（如Al 7075）在LPBF过程中极易产生热裂纹，限制了其直接应用。因此，开发兼具高强度、高热稳定性（抗粗化）和良好打印性的新型铝合金是当前工业界（如航空航天、发动机部件）的迫切需求。
研究的核心科学问题在于如何利用LPBF的快速凝固特性，设计并实现一种抗粗化的纳米析出相强化结构。通常，铝合金的强度依赖于细小、密集的析出相来阻碍位错运动。在快速凝固过程中，可能析出亚稳态相，这些相在后续热处理中能否转化为纳米尺度且抗粗化的稳定强化相是关键。此前，在Al-Er-Zr-Y-Yb-Ni合金体系中，已有研究通过传统集成计算材料工程（Integrated Computational Materials Engineering， ICME）设计了可打印的基准合金。本研究旨在通过结合基于CALPHAD（Calculation of Phase Diagrams）的ICME与机器学习（Machine Learning， ML）算法，特别是贝叶斯优化（Bayesian Optimization），更高效地探索该复杂成分空间，设计出性能显著优于现有基准的新型合金，并阐明其利用快速凝固实现亚微米尺度亚稳态相向纳米尺度稳定相转化的组织演化机理与强化机制。
二、 详细研究流程
本研究采用了集计算、设计、实验验证于一体的完整工作流程，具体可分为七个步骤：
步骤一：确定关键微观结构特征与性能指标。 研究团队首先从材料科学原理出发，明确了实现高温强度与良好打印性所需控制的微观结构描述符。对于强度，重点关注L12-Al3M（M=Er, Zr, Y, Yb）析出相，其强化效果（Orowan强化）与相分数成正比，与析出相尺寸成反比。目标是在高温（250°C服务温度）下获得高分数、纳米尺度且抗粗化的L12相。抗粗化能力由粗化速率描述，该速率与界面能（由晶格错配应变ε表征）成正比，与溶质元素在铝基体中的扩散阻力成反比。因此，“粗化指标”（Coarsening Metric）被定义为错配应变与扩散阻力倒数的乘积，需最小化。此外，还需最小化快速粗化的Al3Ni相分数，以及避免脆性D023-Al3Zr相的形成。对于打印性，则关注凝固温度区间（Freezing Range， FR）和基于Clyne-Davis模型的热裂敏感性系数（Cracking Susceptibility Coefficient， CSC），两者的乘积用于评估热裂倾向性（Hot Cracking Susceptibility， HCS），需最小化。
步骤二：高通量模拟与初步数据分析。 为了预测上述描述符，研究团队使用拉丁超立方抽样（Latin Hypercube Sampling, LHS）方法，在预设的成分范围（Er， Zr: 0-2 at.%； Y， Yb: 0-1 at.%； Ni: 0-4 at.%）内生成了25万和50万个随机成分。利用Thermo-Calc软件及其TC-Python接口，对这些成分进行了平衡相图计算（获取L12相分数、错配应变、元素在相与基体中的平衡浓度等）和非平衡Scheil凝固模拟（获取凝固路径、各相分数、FR、CSC等）。通过计算获得了每个成分的粗化指标等数据。对海量数据的初步分析（如Spearman相关系数分析）表明，Zr和Er是影响粗化指标和L12相分数的关键元素，而Y和Ni则显著影响亚稳态三元相（Al23Ni6M4）的形成。这一步骤确认了成分与性能之间存在复杂的非线性关系，为引入机器学习提供了依据。
步骤三：开发机器学习代理模型。 为了高效捕捉成分与目标性能（以粗化指标为代表）之间的非线性映射关系，研究团队比较了多种回归算法，包括神经网络（Neural Network， NN）、K最近邻、随机森林等。结果表明，神经网络在仅使用少量训练数据（如40个数据点，占总数据量的0.01%）时，即可达到最低的预测误差（RMSE约3%），远优于线性回归。因此，他们训练了一个神经网络模型，作为从元素成分预测粗化指标的快速“代理模型”，替代耗时的直接热力学计算，为后续的逆向设计奠定基础。
步骤四：逆向设计合金成分。 这是研究的核心设计环节。研究团队采用贝叶斯优化作为逆向设计框架，以最大化性能（如最小化粗化指标）为目标，同时将打印性指标（低HCS）和微观组织约束（如控制L12在凝固过程中的析出量以保持其纳米尺度）作为边界条件进行优化。他们尝试了多种目标函数组合。一种成功的策略是：以最小化粗化指标为主要目标，并约束Er含量以限制凝固过程中形成的L12相分数（使其在后续热处理中从亚稳态相转化，而非直接粗大化）。贝叶斯优化算法通过与ICME计算直接耦合，或利用步骤三训练的神经网络代理模型，高效地探索五维成分空间。结果显示，最优性能出现在Y和Yb含量为零的成分区域。经过优化迭代，算法在仅生成约80-100个数据点后便收敛于一个最优成分：Al-0.4Er-1Zr-1.33Ni (at.%)。理论预测该成分的粗化指标比已知基准合金低71%（即抗粗化能力提高约3.5倍），同时L12相分数更高，且满足所有打印性要求。
步骤五：快速实验验证力学性能与打印性。 在开展耗时的粉末制备和正式LPBF之前，研究团队建立了一套快速实验验证流程。他们围绕预测的最优成分，选取了9个邻近成分，通过感应熔炼制备小铸锭，然后使用激光扫描熔融其表面，以模拟LPBF的快速凝固条件。光学显微镜和X射线计算机断层扫描（CT）检查证实，所有设计成分的激光扫描区域均无热裂纹，而作为对照的Al 7075在相同条件下出现了明显的热裂纹。这初步验证了设计合金的良好打印性。随后，对这些激光扫描样品进行了维氏硬度测试。结果表明，最优成分（Al-0.4Er-1Zr-1.33Ni）在400°C时效8小时后硬度达到147 HV，比在相同条件下处理的基准合金（100 HV）高出约50%。这一结果与计算预测趋势一致，快速筛选出了性能最优的候选合金。
步骤六：粉末制备、3D打印及微观组织表征。 基于快速验证的结果，研究团队对最优合金进行了超声雾化制粉，并采用LPBF工艺成功打印出无裂纹的宏观试样。对打印态及时效态（400°C， 8小时）样品的测试显示，峰值硬度达到200 HV，比增材制造基准合金（133 HV）高约50%，且与锻造态Al 7075相当。室温拉伸测试表明，经8小时时效后，合金的抗拉强度达到395 MPa，同样比基准可打印铝合金高出约50%，并且在400°C长时间（48小时）时效后强度保持稳定。为了深入理解其强化机理，研究团队运用扫描电子显微镜（SEM）、电子背散射衍射（EBSD）、扫描透射电子显微镜（STEM）和原子探针断层扫描（Atom Probe Tomography， APT）等多种先进表征技术，对打印并时效后样品的微观结构进行了多尺度、全方位的解析。表征证实了关键设计理念的实现：在快速凝固过程中，形成了亚微米尺度（约100 nm）的富Ni、Er亚稳态三元相（主要位于晶界）；经过时效热处理后，这些三元相作为反应源，在晶内析出大量纳米尺度（1-5 nm）的L12-Al3(Er,Zr)相。APT和原子分辨率STEM-EDS进一步揭示了L12相内核富Zr、外壳富Er的“核壳”结构。同时，在基体中也观察到了短程有序的L12型纳米团簇。这些细小、共格的纳米析出相是材料获得高强度的主要原因。
步骤七：对比实验阐明设计理念。 为了凸显快速凝固和特定成分设计的重要性，研究团队设置了两个关键对照实验：1) 将同一最优成分通过缓慢凝固的铸造方式制备样品，其组织中出现微米尺度的粗大相，硬度仅为3D打印样品的五分之一（80%更低）；2) 设计一个不含Ni但Er和Zr总摩尔百分比相同的合金，在快速凝固下L12相直接析出，但其组织中出现了微米尺度的Zr富集区，硬度比含Ni的最优合金低34%。这两个对照实验强有力地证明了本研究设计理念的有效性：即通过特定成分设计（引入Ni等），结合快速凝固，先形成亚微米亚稳态相，再转化为纳米尺度抗粗化L12相，是获得超高强度的关键路径。
三、 主要研究结果
这些结果层层递进：计算预测指导了成分设计；快速实验验证了设计的可行性和性能优势；正式LPBF和全面表征不仅确认了最终性能，更重要的是从微观机制上证实了最初的设计假设和组织演化路径，形成了完整的“设计-验证-机理阐释”逻辑闭环。
四、 研究结论与价值
本研究的核心结论是：通过融合CALPHAD、机器学习（贝叶斯优化）和实验验证的集成工作流程，成功设计并制备出了一类新型的可增材制造铝合金。该类合金巧妙利用了LPBF的快速凝固特性，使特定成分首先析出亚微米尺度的亚稳态三元相，进而在热处理中转化为具有极高抗粗化能力的纳米尺度L12析出相，从而实现了远超现有基准的高强度。所获得的最优合金Al-0.4Er-1Zr-1.33Ni在强度上媲美传统锻造高强铝合金，且解决了其打印性难题。
其科学价值在于：1) 提出并验证了一种通过调控快速凝固过程获得亚稳态前驱相，进而实现纳米尺度、抗粗化析出相强化的新型合金设计范式；2) 展示了将ICME与机器学习（尤其是贝叶斯优化）深度融合，用于解决多组分合金复杂逆向设计问题的有效性和高效性，为加速新材料发现提供了可借鉴的框架。其应用价值巨大：所开发的合金可直接用于需要高强、轻质、复杂结构的增材制造部件，在航空航天、高性能发动机等领域具有广阔的应用前景。
五、 研究亮点