成分设计与相图
相图是汽车行业乃至整个金属材料行业中一个重要的，也是最基础的研究方向。基于金属合金相图，人们可以快速、有效地确定合金成分、热处理工艺，开发高比强度合金，实现汽车轻量化的目标。然而，金属合金相图需要大量的高温实验数据，导致超长的实验周期与极高的实验成本；另外有些亚稳相的信息也无法从实验中获得。而原子层级的仿真几乎不依赖任何经验参数，因此，也可以结合原子层级仿真补充相关信息。更进一步，可以采用原子层级仿真开发第一性原理相图，降低实验周期与实验成本，如Nature杂志发表的有关水的第一性原理相图3。
高通量计算筛选了β相稳定化元素抑制硬质ω相提升材料性能4
采用合金化以及不同热处理方式，体心立方的β-Ti合金适用不同服役条件的力学性能，其多功能性备受人们关注。然而，热处理过程析出的硬质ω相（密排六方结构）会导致β-Ti合金性能恶化，限制合金的使用。一般而言，人们会选择采取合金化或热处理方式消除ω相。而本案例另辟蹊径，采用高通量计算筛选了β相稳定化元素从而抑制ω相的生成，提升材料力学性能，并进行实验验证。
图 1 不同合金元素含量时的基态相图(a)Ti-W，(b)Ti-Mo，(c)Ti-V，(d)Ti-Ta。
图1 即是采用通用集团展开（UNCLE）计算的Ti-X合金的二元基态相图。根据以上二元相图，我们可以快速确认Ti-W，Ti-Mo，Ti-Nb形成低于0，说明这些结构在热力学上是稳定的。
图 2 不同合金元素含量时的β→ω相变能垒与杨氏模量
在二元相图基础上，再计算这些元素对β→ω转变能垒的影响，以及对ω相的弹性常数影响。根据元素对β→ω转变能垒的变化，用来进一步筛选抑制β→ω相变的合金元素；根据ω相弹性常数的变化，用来进一步筛选软化硬质ω相的元素，降低其对基体的影响，如图2。最终确认Mo表现两方面的效果。在随后的实验中发现添加6%Mo并进行均匀化后，材料强度降低而塑性增加，Mo均匀分布在β与ω相，图3。本案例的计算结果成功地指导了Ti合金的成分设计，缩短了研发周期。
图 3 （a）退火态（蓝色）与固溶态（红色）材料的应力应变曲线，（b）ATP分析固溶态中Mo含量分布，（c）ATP分析退火态中Mo含量分布
基于第一性原理与实验验证的高熵合金Cr-Fe-Mn-Ni FCC相稳定性研究5
针对Cr-Fe-Mn-Ni高熵合金，金属领域顶刊Acta Materilia发表了基于第一性原理预测合金中FCC相稳定性的研究。
首先基于VASP采用通用集团展开计算Cr-Fe-Mn-Ni的二元合金基态相图，确定在二元体系中，FCC相的稳定区域，如图 4。
图 4 第一性原理计算二元合金形成能及凸包。虚线为fcc与bcc可能的共存区域。
为了考虑温度及配置熵，基于通用集团展开进行Monte Carlo（MC）模拟，获得一系列温度相关的热力学数据后，采用OpenCalphad进行相图计算（未加入任何实验热力学数据），得到形成能及相图预测的fcc相分数，如图 4所示。
图 5 fcc-bcc形成能差值Gform，(a，b)MC模拟结果，(c，d)基于MC数据拟合的热力学数据库结果，（e，f）基于OpenCalphad相图预测的fcc相分数
最后采用EBSD分析了铸态与退火态合金的组织结构，发现观察到fcc相分数与OpenCalphad相图计算结果高度一致，见表1。本案例的计算结果成功地开发出完全基于第一性原理计算的相图数据，且准确性得到实验验证，为相图构建提供新思路与方法。
表 1 铸态与退火态材料，基于EBSD与EDS得到的相分数与基于MC的OpenCalphad相图计算得到相分数对比
图 6 (a)DFT与机器学习力场计算的Ag2Pd2的声子谱，(b) DFT与机器学习力场预测的相变能垒。
通常来说，机器学习力场只有在其囊括的训练结构上才能做有效预测，而机器学习力场的转移性（transferability）决定着力场对未训练结构预测的准确性。图 6(b)为DFT与机器学习力场预测未知相变能垒的结果，可以看到GAP力场预测的能垒与DFT接近，而MTP力场预测结果与DFT相差极大，说明GAP力场的转移性高于MTP。
图 7 采用半正则系综与固定成分系综的多重嵌套抽样算法计算的液固转变相图
最后作者采用机器学习力场计算了Ag-Pd体系的液固转变曲线，如图 7所示。机器学习力场预测得到液固转变曲线与实验的形状一致，但是相比实验，预测的曲线存在200K左右的偏移，推测该偏移可能来自DFT的泛函。
总结
参考文献
相关阅读
MedeA试用
关注源资科技VASP公众号，回复“试用”
填写试用申请表，工作人员将会尽快与您联系。
源资科技VASP媒体平台
