期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
机器学习辅助设计高强韧(TiZrNbCrSi)N高熵氮化物涂层
1
作者 黄中庆 彭爽 +4 位作者 孙德恩 邱恒鑫 崔芹 张健 LIU Shiyu 《表面技术》 北大核心 2025年第1期74-83,160,共11页
目的通过机器学习构建(TiZrNbCrSi)N体系的硬度算法模型和韧性算法模型,结合高通量制备完成对兼具高硬度和高韧性的高熵氮化物涂层的成分设计和高效筛选。方法采用磁控溅射多靶共沉积技术制备强韧一体化的(TiZrNbCrSi)N高熵氮化物涂层... 目的通过机器学习构建(TiZrNbCrSi)N体系的硬度算法模型和韧性算法模型,结合高通量制备完成对兼具高硬度和高韧性的高熵氮化物涂层的成分设计和高效筛选。方法采用磁控溅射多靶共沉积技术制备强韧一体化的(TiZrNbCrSi)N高熵氮化物涂层。采用热场发射扫描电镜和能谱仪对涂层表、截面形貌及成分进行分析,利用纳米压痕仪测量涂层的硬度和弹性模量,采用压痕法定量表征涂层的韧性。同时,引入高通量制备技术大幅缩短样品制备周期,采用随机森林算法构建机器学习模型,对涂层的成分和性能进行高效分析和预测。结果(TiZrNbCrSi)N涂层的厚度约为720 nm,呈现柱状晶结构,其晶体结构为FCC。涂层的硬度为12~28 GPa,韧性值为1~10 MPa·m^(1/2)。机器学习对涂层硬度预测的均方根误差为1.118 GPa,对韧性预测的均方根误差为1.292 MPa·m^(1/2)。结论通过机器学习构建的硬度算法模型及韧性算法模型,对(TiZrNbCrSi)N涂层体系的性能预测结果具有较高的准确性。筛选获得的(Ti_(0.079)Zr_(0.081)Nb_(0.089)Cr_(0.119)Si_(0.068))N_(0.564)高熵氮化物涂层兼具高硬度和高韧性,其硬度为25.6 GPa、韧性值为8 MPa·m^(1/2)。 展开更多
关键词 机器学习 高通量制备 高熵氮化物 高强韧涂层 成分设计
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部