近日，P站 谭超林教授团队在国际顶级期刊《Materials Today》(影响因子22)发表了题为“Additive manufacturing metallurgy guided machine learning design of versatile alloys”的研究论文。P站 谭超林教授为主通讯作者，P站 为论文的通讯单位之一。

增材制造（AM）由于其近净成形能力近年来受到广泛关注。然而，与传统制造工艺不同，AM制件通常不会进行变形热处理，即其性能主要受合金成分与AM 工艺固有热史的共同作用控制，这凸显了开发专用AM 材料的必要性。为解决这一挑战，本文提出了一种“增材制造冶金指导的机器学习（ML）合金设计框架”，旨在开发高性能 AM 专用合金。该框架融合高通量热力学模拟与 ML 替代模型，能够预测 AM 关键性能指标，包括凝固温度区间、晶粒生长限制因子、热裂纹敏感性及碳化物析出速率等，并通过多目标优化与决策分析对其整体优化，从而设计出具备最佳AM 性能的合金。为验证该框架，研究团队制备了新成分的预合金化粉末，并采用多种激光定向能量沉积（LDED）策略进行打印。结果表明所得到合金的组织性能与 AM 设计目标高度一致。值得注意的是，新合金表现出优异且高度可调的力学性能：屈服强度1062–1769 MPa、均匀延伸率 2.1–11.7 %（随打印策略变化）。这种性能可调性归因于合金的温度依赖相变行为与快速碳化物析出动力学。总体而言，本研究建立了一套可迁移的数据驱动AM 专用合金设计框架，为可靠、快速开发高性能AM 合金提供了有力工具。

该项目得到国家自然科学基金面上项目支持。论文链接：//doi.org/10.1016/j.mattod.2025.06.031