香港城市大学吕坚院士团队《Nature Materials》：增材制造高强超纳结构钛合金

2026-09-28 14:23:46 作者：材料科学与工程来源：材料科学与工程分享至：

近日，香港城市大学吕坚院士团队联合天津大学何春年教授团队在Nature Materials发表题为“Sub-10-nm stacking bands enable ultrastrong additively manufactured titanium”的研究论文。香港城市大学博士后白翔仁、华东鹏和栾亨伟为论文共同第一作者，天津大学何春年教授和香港城市大学吕坚院士为共同通讯作者。该工作得到了国家重点研发计划、国家自然科学基金、国家自然科学基金委员会与香港研究资助局联合科研资助项目（9054050 / N_CityU151/23）等项目的支持。

研究将高通量实验、机器学习与激光粉末床熔融增材制造相结合，在Ti-Al-Cr合金的α′纳米马氏体内部构筑了特征厚度小于10 nm的HCP晶体超纳异堆垛带，并以其为基本结构基元，形成在整个块体构件中充分发育的层级纳米马氏体组织。代表性Ti-7.5Al-3.3Cr合金的屈服强度约1.5 GPa，抗拉强度约1.7 GPa，同时保持7.5%的均匀延伸率。

文章链接：

https://doi.org/10.1038/s41563-026-02749-6

引言

金属3D打印不仅能够成形复杂构件，其快速凝固和远离平衡态的热过程，也为新成分和新组织的探索提供了更多可能。以激光粉末床熔融（LPBF）为例，金属粉末经历快速熔化、凝固以及反复热循环，可产生传统冶金过程难以达到的巨大温度梯度和极高冷却速率。这些远离平衡态的条件，不仅有利于形成超细晶、亚稳相和纳米尺度结构，也能够突破传统铸造过程中偏析、固溶度和成形性的限制，为新成分和新组织的探索打开更大的空间。

但空间越大，设计也越困难。合金成分与激光功率、扫描速度等工艺参数相互耦合，使增材制造合金面对一个庞大的“成分-工艺”搜索空间。机器学习因此成为近年来材料设计的重要工具，可以从已有数据中建立成分、工艺与性能之间的联系，再对大量候选组合进行快速预测。

机器学习首先需要可靠的数据。现有增材制造研究虽然数量众多，但不同研究之间的设备、原料粉末、工艺参数和测试条件存在差异，直接汇总往往会带来明显的数据噪声和不一致性；另外，对于过去很少探索的新成分区域，可供模型学习的数据则更加有限。因此，限制机器学习用于新合金发现的一个关键问题，是如何获得数量足够且内部一致的高质量实验数据。

针对这一问题，本研究提出了一种通用范式：先通过高通量实验主动生成可靠数据，再利用机器学习扩大搜索范围。

高通量实验与机器学习协同筛选

研究以Ti-Al-Cr为模型体系，在统一的LPBF制备和测试条件下，系统改变Al、Cr含量以及激光功率和扫描速度，共获得118组不同成分-工艺组合的实验数据。标准化实验减少了不同数据来源造成的噪声和不一致，为后续机器学习提供了可靠基础。

在此基础上，研究采用机器学习建立成分、工艺与力学性能之间的关系，并进一步对38,052种虚拟成分-工艺组合进行预测，从中筛选高强度候选区域，再重新回到实验进行验证。筛选出的高性能成分已经超出了传统铸造和变形钛合金长期使用的常规成分范围。

图1 高通量实验-机器学习驱动的增材制造Ti-Al-Cr合金筛选

超纳异堆垛带结构

进一步表征发现，代表性Ti-7.5Al-3.3Cr合金主要由厚度约75 nm的α′马氏体板条组成，而在这些纳米马氏体内部，还密集分布着尺度更小的平行条带。原子分辨STEM显示，这些条带由HCP晶体内部不同的AB、BC和CA型原子堆垛序列组成。不同堆垛区域彼此相邻，并贯穿马氏体板条，构成了材料的基本结构基元。研究将这种特征尺度低于10 nm的结构称为超纳异堆垛带。APT还观察到与其空间尺度接近的Al、Cr层状成分起伏。MD模拟和不同冷却速率下的实验进一步表明，这一结构来源于LPBF快速冷却诱导的非平衡马氏体转变。

图2 钛合金纳米马氏体中的超纳异堆垛带及其形成

力学性能与变形机制

Ti-7.5Al-3.3Cr合金获得1,501 MPa的屈服强度和1,726 MPa的抗拉强度，同时具有7.5%的均匀延伸率，并表现出明显的加工硬化。此外，还表现出良好的高温强度。

图3 增材制造钛合金的力学性能

进一步的MD模拟和变形后显微组织表明，超纳异堆垛带通过堆垛界面展现出与位错特殊的相互作用。对于a型位错，异堆垛边界能够将长位错分割为亚10 nm短位错段并产生钉扎，从而增加了a型位错的滑移阻力；对于<a+c>型位错，这些界面又能够促进位错产生、增殖和多个滑移系活动，使位错形成更加分散的网络。这种“阻碍与持续激活并存”的位错行为，使材料在获得高强度的同时仍能持续储存位错和加工硬化。