近日，南华大学与普渡大学的研究团队取得一项突破，他们利用可解释的机器学习模型，成功设计出一类适用于3D打印的新型超高强度、高塑性且耐腐蚀的钢材料。

此项研究旨在解决金属增材制造中长期存在的两大难题：一是传统高性能钢依赖钴、钼或高浓度镍等昂贵合金元素；二是制造的部件需要通过复杂、多步骤的热处理才能达到目标强度，且往往仍易腐蚀。

研究团队摒弃了传统的经验试错法，转而向机器学习算法输入了81种元素的基本物理化学特征，包括原子半径、电子行为和声速等，以确定最优的合金成分。

模型最终推荐了一种以铁和铬为主，并辅以少量硅、铜和铝的合金配方。具体成分为Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C（wt.%）。

该合金采用激光定向能量沉积技术进行3D打印，随后仅需在480°C下进行单一、时长为六小时的回火热处理。

测试结果表明，这种新材料表现卓越。其断裂强度高达1713 MPa，延伸率达到15.5%。这意味着，与打印态相比，其强度提升了约30%，同时延展性翻倍。

除了力学性能，该合金在耐腐蚀性方面也表现出色。在新合金中，纳米级铜颗粒的形成过程排挤了铬，使其得以均匀分布在基体中，从而避免了传统钢中因碳化物形成导致局部铬耗尽而易生锈的问题。

在盐水测试中，该材料的年降解率仅为0.105毫米，其耐腐蚀表现优于包括AISI 420在内的标准商业不锈钢。

这项研究为开发用于增材制造的高性能金属材料提供了一条高效、低成本的新路径。它展示了数据驱动方法在加速材料发现与应用转化方面的巨大潜力。

值得注意的是，该机器学习方法高度依赖于特定制造工艺（如激光定向能量沉积）的数据集，这意味着针对一种工艺开发的数据和模型，可能无法直接兼容其他制造技术。在将模型应用于新的材料体系或工艺时，需要重新筛选和评估关键的物理化学特征。

相关研究成果已发表于《国际极端制造杂志》。