MAX相是一系列三元碳化物和氮化物的总称。由于陶瓷和金属性能的结合，MAX相表现出高导热性和导电性、良好的机械加工性、高抗热震性和优异的耐腐蚀性。MAX相已经成为箔片轴承、燃气燃烧器喷嘴、燃气轮机保护涂层和核电站的耐事故燃料包层等高温应用的理想候选材料。然而，MAX相在高温下总是面临氧化，导致相应部件使用寿命降低。因此，必须澄清MAX相的长期氧化行为。由于氧化产物之间存在竞争行为，MAX相普遍存在复杂氧化。传统的等温氧化包括热重(实验总是在固定的时间间隔内进行，这往往忽略了过渡阶段的重要信息。此外，MAX相的氧化行为受温度、氧分压、应力、样品密度和形状等多种因素的影响。传统的考虑多变量的正交实验需要更多的时间和成本。针对长期氧化的预测，然而现有的动力学模型如Jander模型、Deal和Grove模型、真是物理图像(RPP)模型都是在反应规律不变的前提下发展起来的。因此，在处理伴随多阶段氧化定律的MAX相时，往往会引入较大的误差。

鉴于此，北京科技大学侯新梅教授团队提出了采用机器学习辅助的新策略，系统地研究了MAX相复杂的氧化行为和规律，克服了处理MAX复杂氧化规律的两个主要挑战，即全面的氧化数据的获取和可靠的动力学模型的建立。本工作将为其他陶瓷及合金的复合氧化行为的认识提供有益的指导。

文章首先本文以Ti₃AlC₂为代表，采用长短期记忆循环神经网络(LSTM-RNN)模型，结合交叉验证策略，准确识别出Ti₃AlC₂氧化规律发生转变的临界条件。在此基础上，通过迭代热重实验和LSTM-RNN模型预测，生成了Ti₃AlC₂的综合氧化数据库。进一步通过探索机器学习算法的工作原理，提出了一种将RPP模型与确定独立筛选和稀疏算子(SISSO)方法相结合建立氧化动力学模型的新方法。所建立的机器学习基真实物理图像(ML-RPP)模型保留了RPP模型对于界面反应的物理描述，同时由于引入了机器学习算法，可以考虑氧化规律的动态变化和多因素的耦合作用。因此ML-RPP模型可以准确处理和预测MAX相的长期复杂氧化。通过ML-RPP模型处理Ti₂AlC和Cr₂AlC等多种MAX相的氧化性为，进一步验证了ML-RPP模型的有效性。

   图1 MAX相氧化数据库生成和氧化动力学模型建立方法流程图

论文信息：

A new strategy for long-term complex oxidation of MAX phases: Database generation and oxidation kinetic model establishment with aid of machine learning, Chunyu Guo, Xingjun Duan, Zhi Fang, Yunsong Zhao, Tao Yang, Enhui Wang*, Xinmei Hou*, Acta Materialia, doi: 10.1016/j.actamat.2022.118378.