南华大学与美国普渡大学（Purdue University）联合研究团队近日开发出一种适用于3D打印的新型超高强度、高塑性钢，其设计过程采用了一种可解释的机器学习模型。该研究方法降低了材料成本，并将热处理时间缩短至单步六小时，从而解决了高性能钢材增材制造领域长期存在的两大障碍。

传统超高强度钢的局限性

通过3D打印制造的常规超高强度钢通常需要添加钴、钼或高浓度镍等昂贵元素。打印完成的部件在达到目标强度水平之前，还需在工业炉中进行复杂的多步热处理。即便如此，这些钢材往往仍然容易受到腐蚀。

机器学习模型的工作原理

研究团队没有依赖经验性的试错法化学成分设计，而是将81个元素的物理化学基本特征——包括原子半径、电子行为和声速——输入一个可解释的机器学习算法中，以识别最佳的合金成分组合。该模型最终确定的目标配方为铁、铬与少量硅、铜和铝的混合体系。

该合金的成分为Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C（重量百分比），采用激光定向能量沉积（LDED）技术制备，随后在480°C下进行单步回火处理，保温时间六小时。

力学性能与腐蚀性能

测试结果显示，该新型钢可承受1713 MPa的应力，断裂前延伸率达到15.5%。与打印态相比，强度提升约30%，塑性翻倍。

在耐腐蚀性能方面，该合金同样展现出优势。在传统钢材中，碳化物的形成会消耗周围基体中的铬元素，形成易生锈的贫铬区。而在新型合金中，纳米尺度的铜颗粒在形成过程中将铬排出，使铬在整个基体中保持均匀分布。盐水浸泡测试显示，该合金的腐蚀降解速率为每年0.105毫米，优于包括AISI 420在内的商用标准不锈钢。

方法论的普适性

研究团队指出，该机器学习方法依赖于针对特定制造技术的数据集，这意味着不同工艺过程产生的数据通常不兼容。因此，将该模型应用于新的材料类别时，需要对物理特征进行重新筛选。

该研究成果已发表于《极端制造国际期刊》（International Journal of Extreme Manufacturing）。这一将可解释机器学习引入合金设计的策略，为加速开发面向增材制造的高性能金属材料提供了新的范式，有望减少传统材料研发中对昂贵元素和复杂热处理的依赖。