几种常见的合金设计方法及其在铝合金设计中的应用

几种常见的合金设计方法及其在铝合金设计中的应用

1.现代合金设计简介

1.1合金设计概述

材料设计的设想始于20世纪50年代，前苏联科学家进行了初期的研究，在理论上提出了人工半导体超晶格的概念。到1985年，日本学者山岛良绩正式提出了“材料设计学”这一专门的研究方向，将材料设计定义为利用现有的材料、科学知识和实践经验，通过分析和综合，创造出满足特殊要求的新材料的一种活动过程，其目的是改进已有的材料和创造新材料。现在材料设计已基本上形成一套特殊的方法，就是根据性能要求确定设计目标，有效地利用现有资源，通过成份、结构、组织、合成和工艺过程的合理设计来制造材料。其中，关键是材料的成份、结构和组织的设计[1]。

合金设计的概念和方法是当材料科学深人到原子的电子结构层次之后。在科学文献中才明确提出。合金设计是国外70年代发展起来的一门新兴的交叉学科。现今，根据科学理论，由人们能动地设计出具有预想性能的材料的所谓“材料设计”已经逐步兴起，在金属材料中“合金设计”这一科学方法，更为广大冶金工作者所广泛采用。这一方法必将逐步代替传统的、耗时费事的试探筛选方法。由于在金属与合金设计中成分参数与组织参数不易控制，合金性能的推断也有一定困难，所以完善的金属与合金设计有待于材料科学与工程的进一步的发展。

1.2合金设计的依据

合金设计是一门总和学科，它必须依据几个方面来总和考虑，包括：我们要充分了解合金在服役条件下的使用性能(如机械性能，物理性能)；要了解合金从生产到制成产品的工艺过程(如铸造，锻造，焊接，切削加工等)；还需要考虑一些重要的经济因素(如原料，价格，市场等)。由此可见，合金设计是通过合金成分和组织的严格控制与合理配合而获得预期的性能，它是建立在合金成分—组织—性能—工艺的定量关系基础上的综合结果。

2.几种合金设计的方法

合金设计应包括成分设计、宏观加工和对显微组织的设计，也包括了对合金性能的预测。Yukawa和Morinaga等人利用变分原子簇法计算一些金属间化合物和合金的电子结构，计算出其轨道能级和键级，并将其应用于合金设计。此外，利用热力学的特征数据也可进行合金相的设计、计算合金的相图，也可根据振动自由能通过从头计算来预测合金相图。还可利用模糊分析方法来实现复相材料的设计，即通过确定复相材料组织参量对性能的隶属函数，并运用模糊线性加权变换来完成对性能的分析与评判。

2.1 经验法和半经验法

长期以来，合金研究通常采用配方法来进行，即根据大量的实验数据对成分—组织—性能反复调整、试验，直到获得满意的合金为止。这种方法具有相当大的盲目性，费时、费力、经济损失大，已远远不能满足现代科技和社会的发展要求。

半经验法的基本原理是从已有的大量数据和经验事实出发，将合金的性能、组分等数据存放在数据库中，利用一些数字计算来完成对合金的设计。常用的数学计算方法有：热力学方法，即利用材料的一些特征数据(如自由能、扩散系数等)预测材料的性能；还可利用能带理论来设计一些合金元素在金属间化合物中的作用，以及利用量子力学理论计算合金的相结构等。

2.2 蒙特卡洛法

蒙特卡罗法(MC)也称随机抽样技术或统计试验方法，是以概率论和数理统计学为基础，通过统计试验来实现目标量的计算。蒙特卡罗方法的基本思路是求解数学、物理化学问题时，将它抽象为一个概率模型或随机过程，使得待求解等于随机事件出现的概率值或随机事件的数学期望值，其基本操作步骤如图1-1

图1-1 MC具体操作步骤

事实上，随机模型并没有改变多体问题的复杂本质，它只是提供了一种处理问题的有效方法，因此利用该方法研究粒子的瞬时分布和宏观量是很接近实际的。此外，MC法的关键问题是抽样方法以及要有足够多的样本。虽然要进行多个抽样，但MC法具有程序简单、算法稳定等优点，因此用它来模拟晶体生长、碰撞、逾渗等问题。

2.3 有限元法

有限元法是一种常规的数值解法，它是将连续介质采用物理上的离散与片分多项式插值来形成一个统一的数值化方程，非常方便计算机求解。该方法实质上是完成两个转变：从连续到离散和从解析到数值，因此可解决大多数力学问题、凝固模拟和晶体的塑性模拟等。有限元法与细观力学和材料科学相结合产生了有限元计算细观力学，它主要研究复合材料中组分材料间的相互作用力和定量描述细观结构与宏观性能间的关系。然而，有限元法由于是连续体的近似，它不能严格的包含单个晶格缺陷的真正动力学特性，而且在该尺度上大多数的

微观结构演化现象是高度非线性的。为克服这一困难，通常采用带有固态变量的状态量方法，该方法对于完成宏观和介观尺度上的模拟是非常有效的。

2.4 人工神经网络法

1> 人工神经网络

人工神经网络(Artificial Neural Networks，简写为ANNs)，也简称为神经网络(NNs)，或称作连接模型(Connectionist Model)，是对人脑或自然神经网络(Natural Neural Network)若干基本特性的抽象和模拟。人工神经网络是以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，以实现某个方面的功能。人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入做出状态响应而进行信息处理。人工神经网络的研究，可以追溯到1957年由Rosenblatt所提出的感知器模型，它几乎是与人工智能—AI(Artificial Intelligence)同时起步，但之后的30余年却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，人们获得了关于人工神经网络切实可行的算法，以及以V on Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新开始对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：

(1) 前向网络网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。

(2) 反馈网络网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

2> 人工神经网络的主要方向

理论研究：利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。

应用研究：包括神经网络和硬件实现的研究，以及在模式识别，信号处理，知识工程，专家系统，优化组合，机器人控制等领域的研究。

3> 人工神经网络系统应用于合金设计领域

合金设计涉及材料的组分、工艺、性能之间的关系，但这些内在的规律往往不甚清楚，难于建立起精确的数学模型。人工神经网络具有很强的自学习能力，能够从已有的试验数据中获取有关材料的组分、工艺和性能之间的规律，因此特别适用于合金设计，为材料的研究