在核电结构件的材料选择中，奥氏体不锈钢（SSs）因具有优异的机械性能和耐腐蚀性被广泛使用。但核电的高温腐蚀环境与外部机械载荷的协同作用下，奥氏体不锈钢很容易在晶界处发生应力腐蚀（SCC）开裂，严重威胁着长期服役安全。近年来，随着增材制造技术的发展，其近净成形和高精度成形的优势使其在核能领域中饱受关注，同时由于增材制造过程伴随的多次热循环与高速冷却等特点，制备出的非平衡微观结构的奥氏体不锈钢增强了其对于SCC的再钝化能力，但如何确定主导SCC发生的主要因素，并准确预测裂缝的位置仍是一个亟待攻克的难题。

2025年7月14日，上海交通大学曾小勤教授团队在《Acta Materialia》期刊上发表题为《Predicting intergranular stress corrosion cracking of stainless steels in high-temperature water by incorporating crystallographic factor》的研究论文，创新性地引入Luster-Morris因子（mʹ）这一几何参数，结合机器学习方法，对超过12,000个晶界的数据进行分析，成功构建出一个具有85%预测准确率的晶界SCC敏感性模型，开辟了高温水环境下SCC预测新路径。

核心内容

在本研究中，团队研究了两种不同工艺生产的奥氏体不锈钢样品，一种是常规工艺制造的316 L SS，另一种采用激光粉末床熔（L-PBF）法制备，采用氮气雾化粉末，平均粒径约为36 μm，为了改变制备后LPBF状态的非平衡微观结构，进行了三种后处理：应力消除（SR）、固溶退火（SA）和热等静压（HIP）。分别对两种316L进行SCC测试，由于L-PBF试样的SCC敏感性具有各向异性，因此试样的取向为最易受SCC影响的方向——即构建取向垂直于拉伸加载轴，并使用EBSD、FIB-TKD等方法系统获取晶界晶体学信息，通过HR-EBSD对局域应变与应力分布进行量化，建立了包含晶界倾角θ、mʹ因子、取向差等特征的大型数据库，并通过XGBoost构建机器学习模型，基于超过12,000 晶界的统计数据集，提出了一个可靠有效的SCC启动预测的综合框架。

图形摘要

研究方法

根据FIB-TKD联合技术获得的裂纹晶界的晶体取向信息，对于晶界相关的腐蚀和导致SCC的机械特性进行初步判断。其次，采用多种方法验证m′与晶间应变不相容引起的滑移连续性之间的SCC相关性。其次，系统地获取了平面晶界裂纹的多种特征，并对这些参数进行了统计分析，阐明了控制SCC起裂的通用几何准则。在此基础上，建立了SCC实验数据集，然后使用该数据集来训练使用机器学习工具的预测模型，从而准确预测晶界进行SCC的可能性。本文对影响SCC发生的主要因素提出了新颖而全面的见解，并为预测SSs中SCC行为提供了框架。

SCC预测的机器学习流程图

研究成果

① mʹ因子是影响晶界SCC的关键

研究发现，传统认为的重要参数如晶界晶面取向、原子堆积密度（GBAPD）对SCC预测能力较弱。相比之下，低mʹ值晶界更易阻碍滑移传递，导致应力集中，极易诱发SCC。

SR与HIP样晶界裂纹微观形貌与化学元素分布

晶界mʹ-θ-GBAPD 三维投影图

② 滑移传递或阻断可直接观察

通过对比相同晶界倾角、取向差、SF值，但mʹ值不同的晶界，团队直接观察到滑移是否贯穿晶界与mʹ值高度一致，从而证实mʹ因子对裂纹萌生具有决定性意义。

mʹ值分布与应力、KAM图对应关系

③ 三大晶界参数预测SCC的黄金组合——θ、取向差、mʹ

统计分析显示，θ>40°、取向差25°～55°、mʹ<0.8构成SCC高风险晶界的“特征三联”。越多满足这三项条件的晶界，整体材料的SCC敏感性越高，而在相同的晶界参数范围内，晶内复杂性，如偏析、析出等影响材料的SCC敏感性。

不同取向和粒径的SCC 晶界的HR-EBSD测量

④ 模型准确性验证结果良好

最终训练出的模型在验证集上达到了85%的预测准确率，MCC为0.55，并通过SHAP分析揭示θ、mʹ和取向差是模型中贡献最大的三项特征。模型在两种工艺制备的316L不锈钢上均表现良好泛化性。

对导致SCC发生的晶界参数进行相关性评估

总结与展望