研究背景
研究方法
北京科技大学学者利用数据驱动的机器学习方法挖掘传统Hall-Petch关系中拟合常数σ0和ky的内在因素，并揭示了影响σ0的关键物理量是价电子距离 (S)、内聚能 (W) 和线性热膨胀系数 (lt)；同时，影响ky的关键物理量是晶界界面能 (γ)、杨氏模量 (E) 和线性热膨胀系数 (lt)。 然后，通过符号回归方法构建了一个新的Hall-Petch模型σy=79W/(S3lt0.5)+1.2(γE/lt)0.5d-0.5。
图1. 关键物理量的筛选过程和结果：(a)相关性筛选策略，(b)部分皮尔逊相关性筛选结果，(c)影响σ0的物理量的反向递归消除过程，(d)影响σGB的物理量的反向递归消除过程，(e)影响 σ0的物理量的穷举计算结果和关键物理量的建模效果，(f)影响σ0的物理量的穷举计算结果和关键物理量的建模效果。
研究亮点
揭示了Hall-Petch关系中常数的物理本质: 研究确定了影响σ0和ky的五个关键物理量，分别是价电子距离、内聚能、线性热膨胀系数、晶界界面能和杨氏模量，揭示了Hall-Petch关系中常数的物理本质。
构建了新的Hall-Petch模型: 基于数据驱动的机器学习方法，建立了一个新的Hall-Petch模型，该模型可以直接通过关键物理量的计算来预测多晶金属的屈服强度，无需实验拟合。
模型具有优异的泛化能力: 新的Hall-Petch模型不仅适用于晶粒尺寸在 1∼1000 μm范围内的纯金属，还可以推广到纳米晶金属和单相合金的屈服强度预测，具有优异的泛化能力。
图2. 四种模型计算的屈服强度与文献实验数据的比较
研究意义
为金属材料的跨尺度计算提供了理论方法: 新的Hall-Petch模型可以扩展到单相合金的成分、晶粒结构和力学性能之间的相关性计算，为金属材料的跨尺度计算提供了理论方法。
为材料设计提供了新思路: 通过揭示Hall-Petch关系的物理机制，并提供了一种新的预测屈服强度的理论模型，为材料设计提供了新思路，有助于设计具有更高屈服强度的金属材料。
L. Jiang, H. Fu, H. Zhang, J. Xie, Physical mechanism interpretation of polycrystalline metals’ yield strength via a data-driven method: A novel Hall–Petch relationship, Acta Materialia 231 (2022) 117868. https://doi.org/10.1016/j.actamat.2022.117868
欢迎关注蠕变预测ICCP！本公众号致力于为您分享高温材料及强度、蠕变、材料基础理论与实验等领域的科研成果与资讯。公众号公益推送相关研究成果，欢迎投稿，共推行业发展！
