王立强
机器学习驱动难熔高熵合金增材制造与热处理协同优化：高致密度与性能调控
报告人:王立强
所在单位:上海交通大学
报告人简介:王立强，上海交通大学材料科学与工程学院金属基复合材料国家重点实验室研究员。在医用金属材料领域以第一作者、通讯作者或主要贡献者共发表SCI论文200余篇，包括Prog. Mater Sci.，Acta Mater.，Int. J. Plast.，Addit. Manuf.，等著名期刊，属于中科院一区的论文116篇。ESI高被引/热点论文12篇，封面论文4篇。以上论文被Nature、Science、Progress in Materials Science等引用9464次, H因子55。出版中英文专著5本（英文4本，中文1本）。获授权专利48项,其中国际专利1项。在重要国际会议作邀请报告27次。此外，担任7个SCI期刊的副主编或编委。入选全球前2％顶尖科学家-终身科学影响力排行榜，全球学者库机构发布的全球前10万顶尖科学家、英国皇家化学会会士、国际先进材料学会会士、国际科学组织Vebleo协会会士，上海市浦江人才计划（特殊急需人才）、江苏省“双创人才”等。作为项目负责人主持国家重点研发计划、工信部生物医用材料创新任务揭榜挂帅项目、国家自然科学基金多个项目。获得上海市技术发明一等奖、陕西省科技进步一等奖、中国有色金属工业科学技术奖一等奖/二等奖、第十一届国际发明展览会金奖、第二十八届全国发明展览会金奖等多个奖励。
报告摘要:本研究以激光选区熔化（LPBF）制备 Ti1.5Nb1Ta0.5Zr1Mo0.5TNTZM）难熔高熵合金。通过 63 组工艺数据集进行机器学习模型训练和预测，快速锁定最优窗口，致密度达 99.9%。高激光功率–低扫描速度组合可稳定形成胞状组织。随后开展 700 °C、850 °C 与 1000 °C 短时热处理：胞壁界面出现小角度取向差，并优先析出中熵（Ti–Zr–Mo）纳米第二相，但整体胞状骨架保持完整。力学测试表明，热处理态屈服强度较打印态提高逾 150 MPa，且保留约 50 % 塑性。小角度晶界与纳米第二相协同强化胞壁，同时促进胞内位错塞积，显著改善综合性能。研究证实，机器学习驱动的工艺设计结合精准热处理，可为高密度、高性能难熔高熵合金的增材制造提供高效路径。
