作品简介 - 张锦程、武逸飞（机器学习方法辅助氢脆机理研究）1

《机器学习方法在氢脆机理研究中的应用》 氢脆是金属材料在富氢环境中常见的一个问题，它会导致金属的机械性能急剧下降，甚至发生突然脆断，对金属材料的安全性和使用寿命构成了严重威胁。尤其在先进高强钢和贮氢材料的开发中，氢脆问题尤为突出。高强度钢材因其较高的缺陷密度，对氢脆更为敏感，而高压下的氢能设备对材料的耐氢性能要求更高。氢原子在金属内部通常倾向于吸附在晶界而非体晶格位置，因此晶界在氢脆过程中扮演了关键角色。 过去的氢脆研究主要集中在具体现象的观察和分析，对不同材料的普适性不足，且未能深入探究微观结构变化对材料性能的影响。张锦程和武逸飞的研究引入了机器学习方法，采用自下而上的研究策略，以晶界作为重点，试图建立定量的结构-性能关系模型，弥补了这一领域的研究空白。 在研究过程中，他们首先选取了三维晶界的多面体模型来描述晶界的结构，尤其是大角度混合晶界。这种方法能够更准确地捕捉氢原子在晶界处的行为。通过密度泛函理论（DFT）计算，他们发现氢与金属在晶界处的相互作用呈现局域特性，氢的偏聚位置主要受周围多面体单元影响。这种描述不仅揭示了氢在晶界内的偏聚机制，也为构建机器学习模型提供了基础数据。 为了识别和提取晶界处的多面体单元，研究团队开发了一种基于Voronoi图的多面体识别算法，该算法能够生成Voronoi剖分和Delaunay剖分，从而确定多面体单元。同时，他们还运用计算机视觉技术设计了多面体单元分类算法，不仅可以分类，还能计算出结构信息，如畸变程度和近邻距离。 接下来，通过分子动力学模拟，他们得到了与氢偏聚位点相关的结合能数据，并结合多面体几何信息构建了机器学习模型。其中，随机森林（RF）模型被选为算法核心，因为它能够处理高维数据，提供特征重要性排序，并且适应并行计算，适合在大规模计算平台上运行。 尽管此处未详述RF模型的全部结果和模型验证细节，但可以推断，该模型的建立有助于深入理解氢在金属晶界上的行为模式，从而为优化材料的抗氢脆性能提供理论指导。未来的研究可能将进一步扩展到更多材料系统，利用类似的机器学习方法，预测和控制不同材料的氢脆行为，为材料科学与工程带来新的突破。