夜雨聆风
合金设计 晨读版 每天好心情
热力学
— Alloy Design —
深挖细读·庖丁解牛
文章导读
本文提出并系统介绍了一个名为Phase Lab的云原生CALPHAD-to-data计算平台，旨在解决传统CALPHAD方法在可重复性、高通量计算以及与人工智能、集成计算材料工程和材料基因组工程流程对接方面的瓶颈。该平台并非开发新的热力学或动力学模型，而是通过标准化计算全流程——包括基于浏览器的参数配置、API驱动的任务调度、服务器端高性能计算执行、元数据捕获、溯源跟踪以及结构化数据输出——将CALPHAD计算转化为可重用、可追溯的数据产品。平台支持多元合金体系的热力学、动力学、热物理性能、凝固行为（包括热裂纹敏感性评估）以及力学性能（如屈服强度和抗拉强度）的计算与预测。文章通过大量基准测试与实验验证，展示了Phase Lab在计算准确性、效率和高通量稳定性方面的表现：例如在20,000个三元体系任务中达到100%完成率，平均单任务运行时间仅0.006933秒；对于9元和12元体系，完成率分别为99.32%和98.14%。同时，针对Ni基高温合金的室温屈服强度和抗拉强度预测的R²值分别达到0.858和0.824。文章认为，Phase Lab为连接物理模型与数据驱动合金设计提供了一条实用的、标准化的数据生成路径。
创新点
小编精选文章创新点
本文创新在于将CALPHAD计算标准化为云原生、可溯源的结构化数据产品，而非引入新物理模型，直接服务于AI/ICME/MGE流程。
重
点
文章封面 /Article Cover
部分内容 重点讲解
01
图1：展示了Phase Lab从CALPHAD计算到可重用数据产品的完整工作流程。用户通过浏览器或API提交计算任务，服务器端执行CALPHAD/HPC计算，同时记录元数据、模型版本和溯源信息。最终输出包括CSV、JSON、API数据对象和带元数据的数据库记录，可直接用于AI/ML、ICME、MGE和优化工作流。
02
图2：展示了Phase Lab计算的多组分相图与实验数据的对比，验证热力学准确性。其中(A)(B)分别为Al-Co-Cr和Al-Co-Ni三元体系在1273K的等温截面，相边界与文献实验点吻合良好；(C)为Al-Cu-Mg-Zn四元体系富Al角等温截面；(D)为Fe-C-Cr-Mn四元体系垂直截面，计算的相变温度与实验结果一致。
03
图3：验证了Phase Lab在扩散与相变动力学方面的模拟能力。其中(A)展示了Ni-Ti二元体系FCC相互扩散系数与实验吻合；(B)为Ni基高温合金的扩散成分剖面预测与实测一致；(C)(D)为γ'沉淀相数密度和平均半径随时间的演化与实验吻合；(E)(F)分别展示了5140钢和En36渗碳钢的TTT图计算结果与实验数据一致。
04
图4：展示了Phase Lab对多种热物理性质的预测能力。其中(A)为纯Ni的线热膨胀系数；(B)为Ni-Co-Al三元合金液态密度；(C)(D)分别为Ni-Ta和Al-Nb-Ti合金液态粘度；(E)(F)分别为Al-Mg二元HCP相和Al-Mg-Zn三元FCC相的热导率；(G)(H)分别为Cu-Mn二元和Cu-Mn-Sn三元FCC相的电导率，均与实验数据吻合良好。
05
图5：展示了Phase Lab对非平衡凝固路径的模拟能力。其中(A)为钢合金在部分平衡近似下的凝固路径，考虑了间隙C的快速扩散；(B)为Ni基高温合金在Scheil-Gulliver模型下的凝固路径，预测了置换型合金元素的偏析行为，两者均与实验结果一致。
06
图6：验证了Phase Lab对Ni基高温合金力学性能的预测能力。其中(A)(B)分别为室温屈服强度和抗拉强度与实验值的线性相关性，R²分别为0.858和0.824；(C)为Nimonic 901合金强度随温度的变化趋势；(D)为多种商业合金高温屈服强度预测；(E)为Nimonic 105合金的应力-断裂寿命关系；(F)为多种合金1000小时持久强度预测，总体趋势良好。
全文总结
Phase Lab作为一个云原生CALPHAD-to-data平台，成功将热力学、动力学、热物理、凝固和力学性能计算标准化为可重用、可溯源的结构化数据产品。基准测试表明，其计算结果与传统CALPHAD软件一致，并在高通量任务中表现出高完成率（如三元任务100%，12元任务98.14%）和短平均计算时间（最低0.006933秒/任务）。跨合金体系（Fe、Ni、Al、Cu基）的实验验证进一步支持了平台在相图、扩散、析出、TTT图、热物性、凝固裂纹敏感性及力学性能等方面的预测准确性。Phase Lab为AI辅助合金设计、ICME和MGE流程提供了可直接接入的、物理基础一致的数据生成能力。
往期好文·欢迎阅读
欢迎关注·扫码入群
Get updates: Follow us!
关注+转发
你的点赞，是我创作最大的动力
欢迎投稿，如有侵权，请及时联系
亮点
创造思路
① 读者可模仿Phase Lab的标准化数据输出框架，为自己的课题组搭建针对特定合金体系（如高熵合金或镁合金）的CALPHAD计算数据库与自动化工作流，将分散的计算结果统一为CSV/JSON格式并关联模型版本与计算条件，以便直接用于机器学习模型训练。
② 参考本文中对热裂纹敏感性多指标（SI、CSC、CTI、SCI）集成计算的思路，可进一步将其扩展至增材制造工艺优化中，结合相场模拟或有限元温度场数据，构建从成分→凝固路径→裂纹敏感性的主动学习筛选框架，用于快速筛选可打印性优良的合金成分。
文章信息
记得关注
发布日期：2026年05月28日
文章标题：Phase Lab: a cloud-native CALPHAD-to-data platform for accelerated alloy design and AI/ICME/MGE workflows
标题翻译：Phase Lab：一个云原生的CALPHAD-to-data平台，用于加速合金设计及AI/ICME/MGE工作流
期刊名称：《Journal of Materials Informatics》
DOI：10.20517/jmi.2026.05
第一通讯作者单位：鸿之微科技（上海）股份有限公司
