钛合金凭借低密度、高比强度、优异的耐蚀性和高温力学性能，已成为航空航天领域不可或缺的关键结构材料，广泛应用于发动机压气机盘、叶片、机匣等核心热端部件，被誉为"太空金属"。随着新一代航空发动机推重比持续突破10，高压压气机系统工作温度不断攀升，对钛合金的高温承温能力提出了更为严苛的要求。然而，600℃长期被视为传统钛基合金的"热障"温度——当工作温度超过这一阈值后，合金的蠕变抗力和高温强度会发生急剧衰减，成为制约高温钛合金向更高服役温度迈进的核心瓶颈。

针对高温钛合金实验数据稀缺、成分设计空间巨大、传统试错法研发周期长成本高的行业痛点，四川大学材料科学与工程学院联合电子科技大学计算机科学与工程学院科研团队，以Ti-Al-Sn-Zr-Mo-Si系近α高温钛合金为基础体系，引入Nb、Ta、B、C等合金化元素，依托JMatPro软件通过API接口开展高通量热力学与性能计算，采集56,134组合金成分、微观组织与650℃力学性能数据，构建了大规模高温钛合金数据库。在此基础上，研究团队建立了高精度前馈神经网络（FNN）机器学习预测模型，并结合非支配排序遗传算法II（NSGA-II）开展多目标优化，同步平衡650℃高温屈服强度与蠕变寿命两大关键性能，成功设计出一系列可在650℃条件下服役的新型高温钛合金，相关研究成果于2025年以题为"Intelligent optimized design of novel high-temperature titanium alloys"发表在《Materials Genome Engineering Advances》期刊。

研究背景：高温钛合金的"热障"难题

传统高温钛合金的研发长期依赖经验指导下的成分微调与试错实验。高温钛合金通常需要多种合金元素协同作用才能实现优异的综合高温性能，这导致成分空间极为庞大，元素间交互作用复杂，单纯依靠实验手段遍历成分空间几乎不可能实现。更为关键的是，600℃以上高温钛合金的蠕变实验数据极为稀缺——一组完整的高温蠕变测试往往需要数百小时甚至上千小时，实验成本高昂且周期漫长，这使得数据驱动的合金设计方法在高温钛合金领域面临严重的数据壁垒。

材料基因工程的兴起为破解这一困境提供了新范式。数据驱动的材料设计方法已成为材料研发的"第四范式"，通过机器学习从大规模数据中挖掘成分-工艺-组织-性能之间的隐式映射关系，可大幅加速新材料的筛选与优化进程。然而，机器学习模型的预测精度高度依赖训练数据集的规模与质量，高温钛合金领域实验数据的匮乏直接限制了模型性能的充分发挥。此前虽有学者基于764组钛合金数据建立神经网络模型预测力学性能，但样本量不足导致部分模型R²仅约0.79，难以满足合金设计对精度和稳定性的要求。

JMatPro作为一款功能强大的金属材料相图计算与性能模拟软件，尤其擅长多组元合金的热力学计算与性能预测，能够为材料科学研究提供准确可靠的计算数据。利用JMatPro开展高通量计算，可以在短时间内生成大规模、高质量的材料性能数据集，有效弥补实验数据不足的短板，为机器学习模型的训练提供坚实的数据基础。

试验方案

研究团队在典型高温钛合金体系Ti-Al-Sn-Zr-Mo-Si的基础上，引入Ta、Nb、B、C四种元素，构建了包含10种合金化元素的成分设计空间。各元素的作用如下：

• Ta可有效细化晶粒组织，显著提升钛合金高温强度与蠕变抗力；

• Nb为弱β稳定元素，与Ti电负性相近，在α相中固溶度较大，具有良好的固溶强化效果，同时可细化组织、改善抗氧化性能；

• Nb和Ta在α-Ti中的扩散系数极小，不仅能保证合金具有最佳的高温蠕变抗力、高疲劳强度和断裂韧性，还能维持足够的塑性和热稳定性；

• 微量B可显著改善组织、细化晶粒，增加相界阻碍位错运动，从而提升合金蠕变抗力和高温强度；

• 微量C可有效拓宽近α钛合金上α+β区的加工窗口，降低初生α体积分数随温度的变化速率，改善α析出相均匀性、细化晶粒并提升合金塑性。

基于上述10种元素，研究团队定义了成分空间范围（Al: 5.6–8 wt.%、Sn: 0–4.8 wt.%、Zr: 1.5–11 wt.%、Mo: 0–5 wt.%、Si: 0.1–0.6 wt.%、Nb: 0–3 wt.%、Ta: 0–2 wt.%、B: 0–0.5 wt.%、C: 0–0.06 wt.%、Ti为余量），并在该范围内进行随机采样。利用JMatPro软件的钛合金数据库，通过API接口对每组成分进行650℃平衡态相含量、高温强度和蠕变寿命的高通量计算，共采集56,134组数据，用于后续机器学习模型的训练与开发。

图1 基于机器学习与多目标优化的合金成分设计框架

研究团队采用前馈神经网络（FNN）构建机器学习预测模型。该模型以10种合金元素的成分含量作为输入，以650℃下的屈服强度、150 MPa应力下的蠕变寿命以及α₂相体积分数（Vα₂）作为输出。数据集按7:1.5:1.5的比例划分为训练集、验证集和测试集，验证集用于在训练过程中评估每个epoch的模型性能，辅助判断是否需要提前停止训练以防止过拟合。

为提升预测精度和稳定性，研究团队引入了由20个基模型组成的集成模型策略。在集成模型训练过程中，单独设立测试集用于评估集成模型性能，剩余数据在每次基模型训练时重新划分为训练集和验证集，每个基模型采用不同的训练/验证集配置进行训练，从而有效增强模型的预测精度、稳定性和鲁棒性。此外，由于各数据的单位和分布范围差异较大，研究团队对数据进行了归一化处理，将其缩放到相同范围，以提升模型性能和稳定性。

在隐藏层和节点数的选择上，研究团队参考经验公式并结合大样本量特点，系统对比了17种不同网络结构（单隐藏层4–64节点、双隐藏层16+8和32+16节点、三隐藏层16+32+16节点）的预测性能，最终选取双隐藏层（16+8节点）的FNN结构作为最优模型。

图2 不同隐藏层和节点数的机器学习模型精度对比图3 前馈神经网络(FNN)模型结构配置

在多目标优化环节，研究团队采用NSGA-II算法，以训练好的FNN模型作为代理模型，在成分空间内开展全局搜索，寻找分布均匀的Pareto前沿和高质量的Pareto最优解集。优化目标为同时最大化650℃高温屈服强度和蠕变寿命。

结合高温钛合金成分设计的领域知识，研究团队建立了以下约束条件：

1. Al当量：传统经验认为Al当量小于8–9%时合金中可能不出现α₂相。然而，近年来研究表明α₂相的高温强度远高于α相，可显著改善合金蠕变性能，通过控制其体积分数、析出尺寸和分布可兼顾塑性。因此，本研究将Al当量约束范围从传统的8%扩展至9.5%，主动利用α₂相作为强化相。

2. Mo当量：Mo当量与钛合金力学性能、相变行为和变形机制密切相关。研究指出，随着钛合金工作温度升高，Mo当量趋于降低，长期高温服役的钛合金建议控制在0.5%–1%。本研究综合考虑后将Mo当量约束范围设为0.5%–3.5%。

3. β稳定系数（Kβ）：高温钛合金通常设计为以α相为基体、辅以少量β相的近α型合金。研究表明Ti-650合金在Kβ为0.3–0.35时650℃拉伸性能最佳。本研究将Kβ约束范围设为0.07–0.35。

4. α₂相含量：过量α₂相会显著损害塑性、导致脆性增加。为兼顾塑性，研究团队将α₂相含量划分为6个区间（0%、0%–5%、5%–10%、10%–15%、15%–20%、20%–25%），分别在各区间内开展多目标优化，以系统考察α₂相含量对合金性能的影响规律。

   核心成果

模型对比结果显示，所有17种FNN模型的R²值均超过0.9，平均绝对误差（MAE）和均方根误差（RMSE）分别不超过5和11。随着隐藏层节点数和层数的逐步增加，模型精度持续提升。最终选取的双隐藏层（16+8节点）模型（Model 15）表现尤为出色，R²值超过0.99，RMSE仅为3.76，MAE仅为1.23，预测精度已足以支撑后续的合金成分优化设计。继续增加节点或隐藏层会提升模型复杂度和训练难度，甚至可能引发过拟合，因此该结构为精度与效率的最优平衡点。

在不同α₂相含量区间内开展NSGA-II多目标优化后，研究团队获得了6组Pareto前沿。每条前沿上的每个解都代表着屈服强度与蠕变寿命之间的最优权衡。结果显示，随着蠕变寿命的增加，合金的高温屈服强度先小幅下降后快速降低。为获得同时具备优异高温强度和较长蠕变寿命的合金，研究团队在屈服强度发生显著下降之前选取最优解，反向映射得到6种候选合金成分。

图4 不同α₂相含量范围内多目标优化获得的Pareto前沿

6组Pareto前沿的汇总对比清晰揭示了α₂相对合金性能的强化规律：随着α₂相含量从0%增加至25%，合金的高温屈服强度从约501 MPa逐步提升至524 MPa，蠕变寿命则从25 h大幅延长至72 h。这一结果有力证明了α₂相对高温屈服强度和蠕变性能均具有正向强化作用，通过合理控制α₂相含量范围，可在保证一定塑性的前提下实现高温力学性能的显著跃升。

为验证多目标优化结果的准确性，研究团队将6种候选合金的成分重新输入JMatPro软件，计算其650℃高温屈服强度、蠕变寿命和α₂相含量，并与多目标优化的预测值进行系统对比。

图6 多目标优化预测值与JMatPro软件计算值对比

结果表明，6种候选合金的成分点主要分布在45°中线附近，优化预测值与JMatPro计算值之间的误差极小。以屈服强度为例，最大误差仅为−5.18 MPa（A3合金），其余合金误差均在1.5 MPa以内；蠕变寿命的最大误差仅为0.94 h（A1合金），其余均在0.7 h以内；α₂相含量的最大偏差仅为0.48 at.%（A3合金）。这一高度一致性表明，本研究建立的机器学习模型结合多目标遗传算法在高温钛合金成分优化方面具有极强的可靠性，未出现过度外推导致的优化失准问题。

研究团队从文献中收集了现有典型高温钛合金（包括IMI834、Ti-1100、BT9、TA29、Ti60A、7715D、BT18Y、BTi-62421S、TA33、Timetal685、中南设计合金等）的成分，利用JMatPro计算其650℃下的屈服强度和蠕变寿命，并与本研究设计的6种候选合金进行对比。

图7 候选合金与现有典型高温钛合金650℃性能对比

性能对标图清晰显示，本研究设计的6种候选合金在650℃下均表现出高于现有典型高温钛合金的屈服强度和更长的蠕变寿命。现有合金中，性能最优者的650℃屈服强度约为460 MPa、蠕变寿命约为16 h，而本研究A1合金（α₂相含量为0%）的屈服强度已达501 MPa、蠕变寿命25 h，A6合金更是达到屈服强度524 MPa、蠕变寿命72 h，实现了对现有合金的全面超越。

以A6合金为例，研究团队进一步从屈服强度、蠕变寿命、密度和成本四个维度与现有合金进行了雷达图对比。结果显示，A6合金在高温屈服强度和蠕变性能方面具有显著优势，而其成本和密度与现有合金非常接近，并未因性能提升而带来明显的成本或密度代价，展现出良好的工程应用潜力和深入研究价值。

图8 A6合金与现有典型高温钛合金多维性能对比

结论与讨论

本研究面向650℃高温钛合金实验数据稀缺、传统试错法研发效率低的行业难题，提出了一种"JMatPro高通量计算建库+机器学习精准建模+多目标遗传算法全局优化"的智能合金设计新策略。

研究利用JMatPro软件通过API接口高通量采集了56,134组合金成分、微观组织与650℃力学性能数据，构建了大规模高温钛合金数据库。以合金成分为输入、650℃屈服强度/蠕变寿命/α₂相体积分数为输出，建立了高精度FNN机器学习预测模型，最优模型R²超过0.99，RMSE仅3.76，MAE仅1.23。

结合NSGA-II多目标遗传算法，在Al当量、Mo当量、β稳定系数和α₂相含量等领域知识约束下，成功优化出6种可在650℃服役的新型高温钛合金。优化预测值与JMatPro计算值高度一致，验证了方法的可靠性。α₂相含量从0%增至25%时，合金屈服强度从501 MPa提升至524 MPa，蠕变寿命从25 h延长至72 h，充分证明了α₂相作为强化相对高温性能的正向贡献。

与现有典型高温钛合金相比，本研究设计的新型合金在650℃屈服强度和蠕变寿命方面均实现显著超越，同时保持与现有合金相当的成本和密度，成功突破了传统钛合金600℃"热障"温度限制，为新一代650℃级高温钛合金的成分设计提供了重要参考和高效方法。

该研究的关键价值不仅在于获得了一组高性能候选合金，更在于建立了一套可迁移、可推广的智能材料设计范式：先利用JMatPro高通量计算突破实验数据壁垒，再通过机器学习建立成分-性能的高精度映射，最后以多目标优化算法在约束空间内全局搜索最优成分。这一路径可推广至镍基高温合金、高强钢、高熵合金等其他高性能金属材料体系，为产业端缩短新材料研发周期、降低试错成本、加速材料基因工程的工程化落地提供了有力支撑。

后续研究可进一步结合实验验证（真空熔炼、热加工、热处理、高温拉伸与蠕变测试）、微观组织表征（SEM/EBSD/TEM）以及实际服役环境下的氧化行为和疲劳性能评估，推动候选合金从计算设计走向工程应用。

参考文献

[1] Lingzhi Liu, Lixian Lian, Xingyue Li, et al. Intelligent optimized design of novel high-temperature titanium alloys[J]. Materials Genome Engineering Advances, 2025, 3(3): e70006.

关于JMatPro

JMatPro软件包含一系列宽范围的合金类型，目前可以计算的合金类型包含铝合金、镁合金、铸铁、不锈钢、高中低合金钢、钴合金、镍基合金、镍铁基合金、镍基单晶超合金、钛合金、锆合金、焊料合金（锡焊）、铜合金。JMatPro的应用范围：

• 可为热力学计算等基础研究提供参考；

• 辅助科研人员进行合金设计；

• 辅助科研人员进行材料加工工艺设计（如铸造、锻造、挤压等）；

• 辅助科研人员进行热处理与焊接工艺设计；

• 预测材料材料各种性能，从而可以大量节省项目时间与实验费用（尤其是高温性能）；

• 能为许多材料成型 CAE 软件提供材料性能参数（如：Procast、Magma、Deform、TherCast、Novacast等）；

• 能够为其他CAE软件提供材料性能参数（如Sysweld、Abaqus、Ansys、MSC/Marc等）；

• 提供FLOW接口，利用程序语言调用软件完成计算，方便将软件计算功能与其他软件、应用进行整合；

• 提供MPO材料优化设计，通过多目标优化算法，快速优化获得满足设计要求的材料成分。

材料仿真工具（MatSimKit）是中仿面向金属材料领域用户推出的系列工具软件。软件以国际知名的金属材料热力学与性能计算软件JMatPro为核心，通过集成化手段，提供从材料相图分析、性能高通量预测，到铸造、成型、热处理、增材制造等工艺环节集成仿真的多种实用软件工具。

图1 MatSimKit 系列软件

• 材料性能高通量计算软件 MatSimKit-HT ：软件面向高通量参数空间与自动化材料计算，提供高效、便捷、可定制、可扩展的材料性能批量计算、数据处理与分析优化功能。

• 材料计算数据管理与后处理软件 MatSimKit-DM ：软件用于对材料计算结果与实验数据进行统一管理、验证与后处理，支持结果对比、二次计算及高质量可视化输出。

• 材料智能设计反演软件 MatSimKit-Design ：软件能够基于材料计算与数据分析结果，提供参数推荐、敏感性分析及多方案对比的设计辅助与决策支持，提高材料设计过程的效率与可靠性。

• 材料计算流程集成软件 MatSimKit-Flow ：软件是一款材料集成管理与自动化计算服务平台，软件面向铸造、成型、热处理等多种工业仿真软件提供材料数据支持，实现流程级调用与组合。

关于中仿

中仿是中国领先的仿真分析软件和系统解决方案提供者。公司依靠自主创新研发拥有自主知识产权的中仿CAE系列产品，同时与国内外最优秀的数值仿真技术研究机构和企业保持长期而紧密的合作关系，能够为中国企业和科研机构提供  世界一流的仿真技术解决方案。

公司自主研发的 MatSimKit 系列软件，面向金属材料领域用户，以国际知名热力学计算软件JMatPro为核心，提供从高通量材料性能计算、数据管理分析到AI辅助设计的完整解决方案，服务铸造、热处理、热加工、焊接及增材制造等多个工业应用场景。公司坚持自主创新，持续提升核心竞争力，积累了深厚的创新研发能力，并形成了完备的服务体系。公司秉持让材料计算服务实际制造的理念，持续深耕材料仿真与工业软件领域，推动材料计算技术的工程化应用落地。