An integrated design of novel RAFM steels with targeted microstructures and tensile properties using machine learning and CALPHAD

提出了一种新的策略，利用机器学习（ML）和相图计算（CALPHAD）整合RAFM钢的微观结构和性能设计。由于显微组织（MX、M23C6、δ-铁素体、粗化相等）在RAFM钢的力学性能中起着重要作用，因此利用ML建立了一个显微组织模型，根据CALPHAD数据预测其体积分数。通过将该微观结构模型与正向和反向模型相结合，开发了两种具有高体积分数MX（0.49%和0.42%）和优异拉伸性能的RAFM钢。在600°C下，两种RAFM钢的极限抗拉强度（UTS）比传统RAFM钢高出约100 MPa。这些实验结果符合特定的设计标准，证实了我们设计策略的有效性。