高Fe含量Fe-B-Si-Hf块体非晶合金的结构-性能关联

以具有最佳非晶形成能力的新型Fe-B-Si-Hf四元块体非晶合金团簇式成分[Si-B_2Fe_(7.7)Hf_(0.3)]Fe(Fe_(72.5)B_(16.7)Si_(8.3)Hf_(2.5))为基础,通过添加Fe原子获得了[Si-B_2Fe_(7.7)Hf_(0.3)]Fe+Fex(x=0、1.5、2、2.5和3,原子个数)系列高Fe含量的Fe-B-Si-Hf四元合金成分。液态急冷、热分析和磁性测量结果表明,随着Fe原子数量的增加,非晶合金的形成能力逐渐降低,形成棒状块体非晶样品的临界尺寸由x=0时的2.5 mm降低到x=2时的1 mm。非晶样品的玻璃态转变温度、晶化温度和Curie温度随Fe原子数量的增加也整体上表现为降低的趋势。该系列非晶样品软磁性能优异,其中[Si-B_2Fe_(7.7)Hf_(0.3)]Fe+Fe_2(Fe_(76.4)B_(14.3)Si_(7.1)Hf_(2.2))块体非晶合金的饱和磁化强度和矫顽力分别为1.58 T和2.8 A/m。为建立高Fe含量Fe-B-Si-Hf非晶合金的结构-性能关联,构建了{[Si-B_2Fe_(7.7)Hf_(0.3)]+[Fe-Fe_(14)]_(x/15)}Fe非晶合金的"双团簇"微观结构模型。结果表明,源于a-Fe的[Fe-Fe_(14)]团簇的数量在Fe-B-Si-Hf四元非晶合金的性能变化中起决定作用。

铁基非晶合金局域结构与性能关联:基于微合金化机理研究

基于"团簇+连接原子"局域结构模型,从团簇内部和团簇间原子的关联作用出发,分析非晶合金的局域结构与非晶合金玻璃化转变、形成能力、热稳定性和力学性能之间的关系。并通过分析模型结构中微合金化元素的占位及其对周围原子关联作用的影响,理解非晶合金的微合金化机理。结果表明,团簇内部原子的关联作用对非晶合金的热稳定性有较大影响,而非晶合金的玻璃化转变、形成能力和力学性能主要受到团簇间原子关联作用影响。并以Si合金化Fe-B二元非晶合金及前过渡元素(Zr、Hf、Nb或Ta)和稀土元素(Y、Ce、Pr、Nd、Sm、Gd或Dy)微合金化Fe-B-Si三元非晶合金对所提理论进行实验验证,两者吻合较好。该研究为理解非晶合金的局部结构-性能关联和微合金化元素作用机理提供了新思路。

知识与数据交互驱动的力学性能极限研究进展

探索物质力学性能极限是科学研究的前沿,发掘极限力学性能物质(材料或结构)可为国防军工等尖端领域发展提供物资基础.然而,杨氏模量、抗拉强度等力学性能的理论极限未知,引发长期以来悬而未决的争议与迷茫,诸如是否存在比金刚石更刚、更硬的物质?人类是否已经接近材料力学性能的边界?化学元素相互组合可形成无穷物质,仅已知物质结构就多达数百万种且数目仍在快速增长,从中发掘出性能突破现有纪录的物质挑战巨大.知识与数据交互驱动的研究范式源远流长、历久弥新,是发展和革新力学理论的宝典.近年来,在新型知识与数据交互驱动下,研究人员发展了更高效能的物质性能预报理论,确定了若干力学性能的理论极限,设计制备出若干性能接近于理论极限的物质.本文回顾梳理了相关领域的研究现状,探讨了相关领域的发展趋势及其面临的机遇与挑战.

玻璃家族的新成员--金属玻璃

金属玻璃由金属键构成但又具有玻璃材料长程无序的原子排列,因其具有的独特结构和性能特点,激发了科学家们广泛的研究兴趣,也带动了非晶态物理和材料科学的蓬勃发展。以“国际玻璃年”为契机,文章简要介绍了金属玻璃的发现和发展、性能特点、结构特点以及应用前景,并对金属玻璃研究存在的挑战进行了探讨。

"增才制造":以增材原理推动个性化陶瓷材料"成型-成性一体化"设计

增材制造是近10年来全球范围内热议的话题。相比于高分子和金属材料,陶瓷的增材制造技术突破较晚,但近年来的发展也使其成为了业界一大热点。依据陶瓷增材制造发展现状与高分子和金属增材制造的发展历程,提出“增才制造”这一通过增材原理实现“成型一成性一体化”部件的理念。首先剖析增材制造“个性化”内涵的演变及这一演变的根本原因,而后分析了当前各类陶瓷增材制造技术的技术瓶颈以及这些瓶颈中蕴含的陶瓷材料“成型一成性一体化”潜力,最后指出实现陶瓷“增才制造”的可能路径与关注点。

机器学习在非晶材料中的应用

作为新兴非晶材料的金属玻璃由于其优异的力学、物理以及化学性能而被广泛研究.玻璃形成能力一直是制约着非晶材料发展的重要问题,为了设计出具有良好玻璃形成能力的非晶材料,对非晶材料的玻璃形成能力已经有大量的研究.研究表明单一的影响因素不足以全面解释非晶材料的玻璃形成能力,即玻璃形成能力是由多种因素共同影响的.另一方面,由于非晶材料具有复杂且无序的结构,传统的方法难以全面、清晰地理解非晶材料的结构与本质.机器学习这一新的研究范式为解决非晶材料领域的关键瓶颈问题提供了新的途径和契机.本文首先简单介绍了一些机器学习算法,如支持向量机、人工神经网络和K均值聚类.随后介绍了机器学习在非晶材料中的应用,包括非晶结构分类、非晶结构-性能关联和非晶宏观性质的预测,并提出了基于机器学习方法在未来非晶研究中的应用前景,包括非晶数据库的建立、高通量计算方法的发展和机器学习势函数的发展.