Machine Translated by Google

Acta Materialia 166 (2019) 677e686

Listas de contenidos disponibles en ScienceDirect

Acta Materialía
página de inicio de la revista: www.elsevier.com/locate/actamat

Artículo de longitud completa

Motivos de selección de fase en aleaciones de alta entropía revelados a través

de métodos combinatorios: la gran diferencia de tamaño atómico favorece a BCC sobre
FCC
Sebastián Alejandro Kube a a david uhl b a C
, Sung Woo Sohn , , Amit Datye , Apurva Mehta ,
*
Jan Schroers ,
a
Departamento de Ingeniería Mecánica y Ciencia de los Materiales, Universidad de Yale, 15 Prospect Street, BCT Room 217, New Haven, CT, 06511, EE. UU.
b
Departamento de Física, Centro de Nanotecnología, Universidad Estatal del Sur de Connecticut, 425 Fitch Street, New Haven, CT, 06514, EE. UU.
C
Fuente de luz de radiación de sincrotrón de Stanford, SLAC National Accelerator Laboratory, 2575 Sandhill Road, Menlo Park, CA, 94025, EE. UU.

información del artículo abstracto

Historial del artículo: Las aleaciones de alta entropía son inherentemente complejas y abarcan un amplio espacio de composición, lo que hace
Recibido el 6 de noviembre de 2018 que su investigación y descubrimiento sean un desafío. El desarrollo de predicciones cuantitativas de su selección de fase
Recibido en forma revisada
requiere una gran cantidad de datos experimentales determinados de forma consistente. Aquí, usamos métodos
9 enero 2019
combinatorios para fabricar y caracterizar aleaciones quinarias 2478 basadas en Al y metales de transición. Todos los
Aceptado el 16 de enero de 2019
datos están disponibles públicamente en http://materialsatlasproject.org/. La selección de fase se puede predecir para
Disponible en línea el 19 de enero de 2019
aleaciones consideradas al combinar el contenido de elementos FCC/BCC y la diferencia de tamaño atómico de los
constituyentes. La extracción de nuestros datos revela que las aleaciones de alta entropía con una diferencia de tamaño
Palabras clave:
atómico creciente prefieren la estructura BCC sobre la FCC. Esta preferencia generalmente se ve eclipsada por otros
Aleaciones de alta entropía
pulverización combinatoria
motivos de selección, que dominan durante el procesamiento cercano al equilibrio. No sugerida por las reglas de Hume­
Selección de fase Rothery, esta preferencia se origina en la capacidad de la estructura BCC para acomodar una gran diferencia de tamaño
diferencia de tamaño atómico atómico con una menor penalización de energía de deformación que prácticamente solo se puede realizar en aleaciones
de alta entropía. © 2019 Los autores. Publicado por Elsevier Ltd en nombre de Acta Materialia Inc. Este es un artículo
de acceso abierto bajo la licencia CC BY­NC­ND (http://creativecommons.org/licenses/by­nc­nd/4.0/).

1. Introducción
Las aleaciones de alta entropía (HEA), también denominadas aleaciones de
elementos principales múltiples o aleaciones concentradas complejas, son aleaciones
de varios componentes, típicamente compuestas por cinco o más elementos, con
composiciones casi equiatómicas [1e3] . Varios estudios sugieren que los HEA son
de gran interés práctico: muchos HEA combinan de manera única propiedades
deseables, al tiempo que ofrecen una amplia capacidad de ajuste a través de la
composición y el procesamiento. En el aspecto mecánico, por ejemplo, los HEA a
menudo combinan una alta resistencia y ductilidad [4,5], que pueden combinarse con
una alta tenacidad a la fractura [6], resistencia a la fatiga [7] y resistencia a la fluencia
[8]. Los HEA también son candidatos prometedores para aplicaciones en entornos
hostiles que presentan un buen rendimiento a temperaturas elevadas [4,9,10], alta
resistencia a la corrosión [11,12] y resistencia a la irradiación [13,14]. El desempeño
único de los HEA a menudo se atribuye a la estructura de nivel atómico única; En los
HEA que contienen aluminio, por ejemplo, la resistencia y
* Autor correspondiente.
Dirección de correo electrónico: jan.schroers@yale.edu (J. Schroers).
la dureza suele aumentar con la concentración de Al, mientras que la ductilidad
disminuye. Esto se atribuye al fortalecimiento de la solución sólida en redes HEA
deformadas, donde el Al suele ser el elemento constituyente más grande y controla
principalmente la deformación a nivel atómico [3, 15]. De manera similar, estudios
recientes identificaron al Al como el elemento clave que causa el dentado durante la
deformación plástica a través del mecanismo de envejecimiento por deformación
dinámica [16e18].
Según su definición, los HEA presentan una entropía configuracional alta,
normalmente Sconfig > 1,35 kB, que se maximiza cuando se forma una solución
sólida monofásica (SPSS). Sin embargo, los HEA también pueden formar
combinaciones de múltiples fases de solución sólida (SS) y fases intermetálicas (IM)
[1e3]. Los mecanismos de formación de SPSS más allá de las reglas de Hume­
Rothery, su selección de fase y estabilidad están en el centro de la investigación de
HEA [1e3,9,19e31] y avanzar en esa comprensión será fundamental para explorar la
aplicabilidad tecnológica de los HEA. Sin embargo, un gran desafío para la
investigación de los HEA es el vasto espacio de composición multidimensional sobre
el que potencialmente se forman los SPSS; una estimación de orden de magnitud
sugiere ~ 108 HEA quinarios distintos (consulte la sección complementaria). Este
espacio de aleaciones potencialmente relevantes es cinco órdenes de magnitud mayor
que

https://doi.org/10.1016/j.actamat.2019.01.023 1359­6454/©
2019 Los autores. Publicado por Elsevier Ltd en nombre de Acta Materialia Inc. Este es un artículo de acceso abierto bajo la licencia CC BY­NC­ND (http://creativecommons.org/licenses/by­nc­nd/4.0/ ).
Machine Translated by Google
678 SA Kube et al. / Acta Materialia 166 (2019) 677e686
los < 103 HEA quinarios reportados hasta el momento. Tal discrepancia genera dudas
sobre si los principios de formación derivados de la fracción diminuta de aleaciones
reportadas hasta ahora pueden representar el comportamiento de los HEA en general.
Para explorar una parte significativa del espacio HEA, un enfoque metalúrgico
tradicional es insuficiente, lo que ha motivado a la comunidad a buscar estrategias
alternativas [21].
CALPHAD y cálculos atomísticos se han empleado para predecir la estructura en
sistemas HEA específicos [32e41]. Prácticamente, los diagramas de fase de orden
superior no se pueden determinar experimentalmente para el rango de composición
completo. Como alternativa, aunque existen datos muy limitados para los sistemas
quinarios, CALPHAD genera predicciones termodinámicas a través de la extrapolación:
se construyen modelos que unifican consistentemente los datos termodinámicos y la
información de equilibrio de fase de los subsistemas binarios y ternarios. Dichos
modelos pueden luego extrapolarse al espacio de composición quinaria con notable
precisión, ya que las interacciones entre cuatro o más componentes generalmente se
vuelven insignificantes. En consecuencia, tales extrapolaciones de CAL PHAD han
contribuido significativamente a la ciencia y el desarrollo de HEA. Sin embargo, se
debe tener en cuenta que CALPHAD, como enfoque fenomenológico, no puede
reemplazar los experimentos reales, sino solo guiarlos [32e38]. El modelado atomístico
está limitado por el poder de cómputo actual, ya que las soluciones sólidas aleatorias
requieren que se consideren grandes sistemas para capturar la naturaleza
multicomponente de los HEA [39e41]. En conclusión, ambos enfoques son valiosos
pero limitados en su capacidad para revelar motivos de formación fundamentales de
HEA.
Con base en las reglas de Hume­Rothery, se han sugerido reglas generales de
formación para SPSS: las más destacadas son la diferencia de tamaño atómico (d <
7%) y los criterios termodinámicos que aproximan los límites del comportamiento
ideal de la solución sólida (p. ej., entalpía de mezcla 12 kJ/mol < DHmix < 5 kJ/mol)
[1,22e25,42]. Para la predicción de la estructura cristalina en SPSS, la concentración
de electrones de valencia (VEC) ha sido ampliamente utilizada (es decir, FCC si VEC
> 8,0, BCC si VEC < 6,9) [1,19,20] . Tales reglas de formación se discuten activamente
y se han proporcionado ejemplos que apoyan o contradicen tales reglas [2,3,22].
Similar a las reglas de Hume­Rothery para soluciones sólidas convencionales,
las reglas de formación de HEA anteriores son empíricas. A medida que aumenta la
calidad de las reglas empíricas con una cantidad cada vez mayor de datos
subyacentes, se pueden esperar nuevos conocimientos sobre la formación y la
selección de fases de SPSS, al considerar un grupo más grande de datos determinados
de manera consistente [2,21] . Una estrategia para estudiar una gran cantidad de
aleaciones de manera consistente es la síntesis combinatoria combinada con una
caracterización de alto rendimiento. Dichos métodos han demostrado su eficacia en
una amplia gama de clases de materiales y preguntas científicas [26,43e54].
Motivados por lo anterior, aquí empleamos magnetrón combinatorio co­
pulverización de bibliotecas de aleación de película delgada para fabricar una gran
cantidad de HEA. Posteriormente, caracterizamos las aleaciones mediante EDX de
alto rendimiento y escaneo de sincrotrón XRD. Los datos resultantes se extraen para
establecer correlaciones con las reglas de formación y selección existentes y
sugeridas recientemente. Es importante mencionar que el método de fabricación de
la pulverización catódica con magnetrones corresponde a una “tasa de enfriamiento”
del orden de 108 K/s, que es significativamente más alta que las tasas de enfriamiento
durante la solidificación a granel [43]. Argumentamos que la formación de fases
formadas a través de la cristalización polimórfica es insensible a la velocidad de
enfriamiento: la nucleación y el crecimiento de tales fases, que retienen la composición
nominalmente depositada tras la cristalización, requiere solo un rango corto,
típicamente subatómico, topológico de reacción atómica. ­arreglo [55]. Tal
reordenamiento ocurre en una escala de tiempo establecida por la frecuencia de
Debye de ~1013 s, es decir, dentro de ~1013 s. Por lo tanto, ocurre en1magnitud
órdenes de
más
rápido que el tiempo disponible durante el enfriamiento rápido durante la pulverización
catódica (~108 s) [55e57]. Por el contrario, se requiere una difusión de largo alcance
para no
la cristalización polimórfica [55,58] y las escalas de tiempo asociadas de
aproximadamente 105 s (ver la sección complementaria) superan con creces la escala
de tiempo establecida por la alta velocidad de enfriamiento. Por lo tanto, las fases de
formación no polimórficas se suprimen en las películas pulverizadas. De hecho, tal
supresión cinética en las composiciones, que en condiciones de equilibrio requerirían
una cristalización no polimórfica y están cerca de los eutécticos profundos, conduce a
la formación de vidrio durante la pulverización catódica [56,59].
Para dilucidar este efecto cinético en la selección de fase, seleccionamos
composiciones representativas de los datos combinatorios y fabricamos muestras a
granel a tres velocidades de enfriamiento diferentes. Por lo tanto, confirmamos que
los intermetálicos (IM) se suprimen cinéticamente a expensas de las soluciones
sólidas (SS), que se forman fácilmente durante la pulverización catódica en amplios
rangos de composición. Por lo tanto, nuestro método es ideal para investigar
selectivamente la competencia de fase entre las fases de SS.
2. Fabricación y caracterización de muestras.
El procedimiento experimental de este estudio comprende la pulverización
catódica combinatoria y la posterior identificación de la composición elemental y la
estructura de cada parche de aleación, utilizando EDX de alto rendimiento y sincrotrón
XRD (Fig. 1a) (los detalles experimentales se proporcionan en la sección de métodos
complementarios). Cada una de las 14 bibliotecas de composición se divide en 177
parches de aleación, lo que da como resultado un total de 2478 aleaciones distintas.
Las películas delgadas de HEA quinario se fabrican utilizando tres fuentes de
pulverización catódica en lugar de cinco, ya que matemáticamente todas las
combinaciones de un máximo de solo tres fuentes independientes se pueden
representar en un sustrato plano. Para depositar sistemas quinarios, se utilizan dos
objetivos de elementos binarios, de los cuales los dos elementos se depositan en una
proporción predeterminada. Por lo general, los elementos similares se combinan en
un objetivo para una pulverización conveniente. Usando esta configuración, probamos
subsecciones del espacio de composición quinaria y las representamos en triángulos
de Gibbs cuasi­ternarios.
Los sistemas HEA considerados aquí son los sistemas más estudiados [1,2] y se
basan en Al, Cr, Mn, Fe, Co, Ni y Cu. Se pueden dividir en dos subconjuntos, el grupo
Al y el grupo Mn (Fig. 1b).
En estos grupos se realizan todas las combinaciones quinarias posibles de Al, Cr, Fe,
Co, Ni y Cu, y Cr, Mn, Fe, Co, Ni y Cu, respectivamente. Por lo tanto, consideramos
aleaciones que son representativas de todos los sistemas HEA quinarios que incluyen
cualquiera de esos elementos.
3. Resultados
3.1. Composición­estructura­diagramas
En la Tabla 1 se muestra un resumen de nuestros datos de las 14 bibliotecas que
presentan el número de ocurrencias para cada categoría de fase .
Las estructuras presentes son BCC, B2, FCC, amorfa, sigma y combinaciones de
dos o más de las estructuras antes mencionadas. Como ejemplo, la Fig. 2 muestra el
mapa de estructura de una muestra representativa y los difractogramas XRD
correspondientes. Los mapas de estructura para todas las muestras consideradas en
este estudio se pueden encontrar en la sección complementaria y, junto con todos los
datos sin procesar, en nuestro repositorio de datos en línea “MAP” (http://
materialsatlasproject.org/) .
La mayoría de las aleaciones consideradas forman SPSS. Además, existen dos
regiones de transición de fase con fracciones de fase que cambian gradualmente
entre las regiones de SPSS de FCC y BCC/B2. Por el contrario, no se encuentran
regiones de dos fases entre BCC y B2, porque estas estructuras tienen el mismo
arreglo atómico y varían solo por el grado de ordenamiento entre las subredes.
Debido a su similitud, a menudo nos referiremos a ambas estructuras juntas como
“BCC/B2”.
A continuación, el objetivo es identificar las reglas de formación y los motivos de
selección de fase mediante la extracción de nuestros datos. Como se discutió
anteriormente, el enfoque de bombardeo iónico suprime cinéticamente la formación de IM.
Machine Translated by Google

SA Kube et al. / Acta Materialia 166 (2019) 677e686 679

Fig. 1. (a) Procedimiento experimental: co­pulverización combinatoria de bibliotecas de aleaciones quinarias: se utilizan tres fuentes de pulverización. Dos de las fuentes de pulverización depositan cada
dos elementos simultáneamente en una proporción constante. La dispersión composicional se origina en la disposición tetraédrica de las fuentes de bombardeo iónico con respecto al sustrato. Los parches
más cercanos a una fuente en particular exhiben una mayor concentración de los elementos correspondientes (p. ej., alta concentración del elemento E cerca de la fuente roja). Por conveniencia
experimental, la película se deposita en parches circulares sobre una rejilla cuadrada. Para cada parche, se mide un espectro EDX, a partir del cual se determina la composición: el rango de composición
quinaria se puede visualizar como cuasi­ternario en un triángulo de Gibbs, porque la relación de fracción molar de dos elementos emparejados es aproximadamente constante en una biblioteca. Finalmente,
para cada parche, se mide un difractograma de rayos X utilizando un sincrotrón XRD de alto rendimiento. El uso de un detector 2D mitiga los efectos del texturizado en los difractogramas. Las imágenes
de difracción 2D se convierten en difractogramas 1D para la identificación de fases. Al fusionar datos de composición con datos estructurales, se obtienen diagramas de fase de composición­estructura.
(b) Descripción general de los sistemas de aleación considerados: el grupo Al (rojo) y el grupo Mn (azul) contienen todas las combinaciones quinarias posibles de los grupos de elementos AlCrFeCoNiCu
y CrMnFeCoNiCu, respectivamente. Las bibliotecas que pertenecen a un sistema se indican mediante un número de ID. Para algunos sistemas, se fabricaron dos bibliotecas diferentes para mapear
diferentes subsecciones de composición. (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

Tabla 1 equilibrio. Esto nos permite estudiar la selección de estructuras SS en rangos de

Resumen de datos, categorizados por su categoría de fase y número de ocurrencia. Las aleaciones composición sin precedentes.
con difractogramas que comprenden la fase sigma a menudo comprenden fases adicionales que
Para el siguiente análisis en las secciones 3.2 a 3.4 , solo consideramos las
no pudieron identificarse. Nos referimos a tales aleaciones como “cualquier sigma”.
aleaciones que forman fases SS: investigamos qué contribuciones gobiernan la
selección de fase de BCC/B2 frente a FCC e identificamos criterios para predecir
Categoría de fase Número de ocurrencia
su selección a partir de parámetros conocidos a priori.
CCO 604
B2 158
FCC 553 3.2. Evaluación del criterio de concentración de electrones de valencia
BCC þ FCC 441
B2þFCC 5 Hasta la fecha, el criterio de selección de fase más utilizado para
BCC þ Amorfo 71
SS utiliza la concentración de electrones de valencia, VEC:
FCC þ Amorfo 145
BCC þ FCC þ Amorfo 34
Amorfo 192 VEC ¼ X xi, VECi; (1)
Cualquier Sigma 233 i
Excluido 42
Total 2478 Aquí, xi y VECi (cf. Tabla 2) son la fracción molar y el VEC del elemento i,
respectivamente [1e3,19].
Los histogramas en la Fig. 3a representan los rangos de VEC de las fases SS
Por lo tanto, podemos sacar conclusiones sobre la formación de SS, pero solo aquí consideradas. Nuestros datos revelan, de acuerdo con estudios previos [1,
conclusiones limitadas sobre la estabilidad de los IM frente a SS. De manera 19], que las aleaciones con un VEC más alto generalmente prefieren FCC en lugar
similar, solo se pueden sacar conclusiones limitadas con respecto a la fase sigma de BCC. Sin embargo, los umbrales comúnmente empleados (FCC para VEC >
y la fase amorfa. A este respecto, la supresión cinética de los IM durante la 8.0, BCC para VEC < 6.87 [1,19]) no arrojan una “tasa de clasificación
pulverización catódica es desventajosa. Sin embargo, tal supresión cinética de correcta” (CCR) alta. Un umbral de clasificación de 7,45, justo entre los dos límites
combinaciones de fases formadas no polimórficamente se convierte en una ventaja anteriores, da como resultado una CCR de solo el 72 %. Esto es solo un poco más
ya que nos permite estudiar la selección entre fases SS incluso en composiciones alto que los valores de CCR de >50 % para umbrales elegidos completamente al
en las que preferirían formarse fases IM competidoras si las condiciones de azar.
procesamiento fueran más cercanas a La baja precisión del criterio VEC requiere una discusión más profunda: la
estabilidad de fase depende de la energía cinética total de
Machine Translated by Google

680 SA Kube et al. / Acta Materialia 166 (2019) 677e686

Fig. 2. Datos de ejemplo para la biblioteca n.º 8, AlCrCoNiCu: (a) Esquema de oblea con fuentes de pulverización catódica y su posición aproximada indicada: las regiones SPSS de BCC/B2 y FCC se encuentran
con una región de dos fases en el medio. ( b ) Difractogramas XRD correspondientes que muestran la transición de BCC a FCC a lo largo de una línea de composición, como lo indica la flecha en a). (C)
Estructura­composición­mapa de la biblioteca #8 representada en el triángulo de Gibbs: los elementos emparejados en una fuente de pulverización catódica se trazan en un solo eje porque se depositan en una
proporción aproximadamente constante. Esta proporción suele variar en menos de dos puntos porcentuales en una biblioteca.

Tabla 2 índice"):
Propiedades y coeficientes seleccionados de los elementos incluidos en este estudio: [1,19,67] Todos los
elementos exhiben estructuras cristalinas compactas en condiciones ambientales excepto el manganeso
[68,69], que tiene una estructura cristalina cúbica complicada y es por lo tanto, se le asigna 4Mn ¼ 0. Co, con FBI ¼ X xi4i; (2)
su estructura HCP, se trata como un elemento FCC, porque tanto HCP como FCC son estructuras con el i
paquete más denso.
Aquí, asignamos 4i ¼ þ1 si el elemento i exhibe estructura FCC y 4i ¼ 1 para BCC (cf.
Elemento ri/Å VECi Estructura 4i bi
Tabla 2). Por lo tanto, FBI puede variar desde +1, para aleaciones compuestas
1.4317 3 FCC þ1 0,85
completamente por elementos FCC, lo que sugiere la mayor tendencia a la formación de
Alabama

cr 1.2491 6 CCO 0,37

1.3500 Cúbico 0,59
FCC en un sistema de aleación, hasta 1, para aleaciones compuestas completamente
Minnesota 7 1 ±0
Fe 1.2412 8 CCO 1 0.41 por elementos BCC, lo que sugiere la mayor tendencia a la formación de BCC (Fig. 3b ) :
Co 1.2510 HCP þ1 þ0.07 Nuestros datos de FCC y BCC/B2 muestran amplias distribuciones en un rango de FBI
Ni 1.2459 9 FCC þ1 þ1.00 de 0,1 a +0,9. Los puntos de datos de FCC se concentran en valores más altos que BCC/
cobre 1.2780 10 11 FCC þ1 þ0.15
B2 (Mediana de FCC: þ0.59; Mediana de BCC: þ0.19). En general, sin embargo, FBI es
menos efectivo como predictor único (CCR = 53 %) que VEC (CCR = 72 %). Como ni
VEC ni FBI reflejan completamente la complejidad de la selección de fase de SS, este
electrones, que está determinada por la densidad de estados (DOS) y la configuración análisis revela que la selección de fase está controlada por contribuciones adicionales
de los electrones que ocupan estos estados. El VEC captura este último (VEC ¼ integral más allá de VEC o FBI.
sobre DOS desde la energía de banda de valencia más baja hasta la energía de Fermi)
y se estima fácilmente para HEA de metales de transición sin conocimiento del DOS a Para comprender mejor qué combinación de factores define la selección de fase de
través de la ec. (1) [19,60]. SS, utilizamos un enfoque de ciencia de datos: en un modelo lineal similar al FBI,
Los DOS de los HEA de metales de transición suelen tener una forma tal que BCC se ve empleamos una regresión para determinar los valores de los coeficientes elementales
favorecido con un VEC bajo y FCC con un VEC alto (similar a la dependencia de fase e/ que conducen al mejor ajuste posible entre el modelo y nuestros datos experimentales.
a en las fases electrónicas de Hume­Rothery) [19,60e63] . Esta justificación cualitativa Luego, probamos el modelo con datos de la literatura y, si hay un acuerdo significativo,
junto con la facilidad de calcular VEC presumiblemente ha llevado a su popularidad en la los coeficientes revelan las contribuciones que gobiernan la selección de fase de SPSS.
comunidad HEA. Específicamente, definimos el índice de selección de solución sólida (SSSI), que tiene la
Desafortunadamente, el criterio VEC tiene limitaciones: los umbrales de predicción misma estructura matemática que VEC y FBI:
de VEC no son consistentes entre diferentes sistemas y condiciones de procesamiento
[19,20,60]. De manera similar, en nuestros datos combinatorios, los umbrales varían
ampliamente dentro y entre sistemas (cf.
SEIC ¼ X xibi; (3)
Fig. 1 complementaria), lo que da como resultado la clasificación ineficaz de la Fig. 3a.
i
El origen de esto es la suposición subyacente inválida del criterio: el DOS0 de FCC y
BCC no son invariantes con la composición. Más bien, varían significativamente según
Aquí, bi representa la capacidad estabilizadora del elemento i. Asume un valor positivo
los tipos y concentraciones de los elementos involucrados (los orbitales de los átomos
al estabilizar FCC y un valor negativo al estabilizar BCC/B2. A partir de una simple
individuales determinan la estructura de la banda de la fase general) y el grado de
inspección de los diagramas de fase de la estructura de la composición (Fig. 2c y
distorsión de la red (determina qué tan bien interactúan los orbitales atómicos, alterando
complementaria), queda claro que Al, por ejemplo, actúa como un estabilizador BCC/B2
la estructura de la banda). Con DOS0 que varía significativamente, las estabilidades
y, en consecuencia, bAl debería ser negativo. Para una determinación cuantitativa
relativas de FCC y BCC no dependen exclusivamente de VEC, lo que hace que el
precisa de bi, utilizamos el procedimiento de regresión logística ordinal [64,65]: varía
parámetro VEC
, grupo no seade
diverso apto para predecir universalmente la selección de fase en un
HEA.
sistemáticamente los valores de bi para optimizar el CCR para la clasificación de todos
los puntos de datos en las categorías FCC, FCC þ BCC/B2 y BCC/B2. Para predicciones
categóricas, la regresión también determina el límite superior e inferior del régimen de
dos fases en la escala SSSI, aBCC y aFCC. De esta forma, obtenemos un modelo
3.3. Nuevas reglas de selección de fase para soluciones sólidas empírico de predicción estructural que es válido para todos los HEA compuestos por los
elementos considerados en la regresión. Entonces, es probable que los HEA asuma la
Para comparar la efectividad de un predictor para la selección de fase de SPSS, lo estructura FCC para valores SSSI positivos grandes y BCC/B2 para valores negativos
comparamos con el promedio ponderado de la estructura de elementos constituyentes. grandes. El coeficiente bi ahora cuantifica la capacidad estabilizadora efectiva del
La hipótesis subyacente es que es más probable que un SPSS muestre una estructura elemento i, que resulta de sus características físicas y su interacción con los otros
particular (FCC o BCC), cuanto mayor sea su contenido de elementos que muestren elementos. Mayoría
esta estructura particular.
Para cuantificar este enfoque, definimos el parámetro FBI (“FCC­BCC
Machine Translated by Google

SA Kube et al. / Acta Materialia 166 (2019) 677e686 681

Fig. 3. Evaluación del rendimiento predictivo de VEC (concentración de electrones de valencia, ecuación (1)), FBI (índice FCC­BCC, ecuación 2) y SSSI (índice de selección de solución sólida, ecuación (3))
sobre datos combinatorios aquí determinados y sobre datos de la literatura. Se proporcionan los valores de CCR (tasa de clasificación correcta) determinados a partir de los umbrales de clasificación
indicados por las líneas discontinuas: (a) Histograma para VEC en datos combinatorios: Formas de FCC a valores más altos de VEC que BCC/B2. Sin embargo, los umbrales especificados anteriormente
[19] (líneas de puntos) no arrojan una predicción precisa. Se logra un CCR de solo 72% para un umbral medio (línea discontinua) exactamente entre los dos límites originales. (b) Histograma para FBI sobre
datos combinatorios: la formación de FCC se concentra en valores más altos de FBI que BCC/B2. Sin embargo, ambas distribuciones son muy amplias y el desempeño predictivo general de FBI (CCR de
solo 53%) como predictor único es menor que para VEC en a). (c) Modelo SSSI optimizado a través de regresión sobre datos combinatorios: La parte inferior de la figura muestra la probabilidad de que una
aleación con un valor dado de SSSI tenga una estructura particular. En la parte superior, los valores de estructura codificados por colores de los puntos de datos se agrupan por biblioteca y se trazan contra
SSSI. Las líneas discontinuas verticales indican los umbrales de clasificación ay la línea cero. El modelo es bastante preciso, por ejemplo, la mayoría de los puntos de datos de la FCC (87 %) se encuentran
por encima del umbral de la FCC de SSSI ¼ þ7,84. Utilizando la línea cero como umbral de clasificación, el CCR es del 99% entre SPSS. (d) Tabla de valores de los coeficientes. bi describe la capacidad
estabilizadora de FCC o BCC del elemento i, determinada mediante regresión logística ordinal en el modelo SSSI. (e, f) Prueba del modelo SSSI a través de datos de la literatura HEA [2] y comparación con
el modelo FBI. Estos datos incluyen principalmente HEA de cinco y seis componentes que contienen los elementos investigados en este estudio y exhiben las estructuras BCC, B2, FCC, BCC + FCC y B2 +
FCC. No hay superposición de composiciones entre el conjunto de datos combinatorios y de literatura. FBI tiene un poder predictivo bajo cuando se usa como predictor único (CCR 54%). El modelo SSSI
optimizado, por el contrario, predice con precisión el 89% de los datos de la literatura. (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

lo que es más importante, la diferencia (bi 4i) es directamente indicativa de
qué contribuciones determinan la selección de fase de SS más allá de la
suposición del FBI.
Para el mejor ajuste, SSSI produce un CCR optimizado del 99%
considerando todos los puntos de datos combinatorios de SPSS (Fig. 3c).
Para validar la aplicabilidad del modelo SSSI, recopilamos datos de la
literatura [2] de HEA a granel que contienen exclusivamente cualquiera de
los elementos (Al, Cr, Mn, Fe, Co, Ni, Cu) y comparamos el rendimiento de
FBI con SSSI ( Fig. 3e y f): De hecho, el modelo SSSI es significativamente
más efectivo que FBI y VEC (CCR: SSSI 89%, FBI 54%, …).
Tras la inspección de los coeficientes bi, encontramos que la capacidad
estabilizadora de la mayoría de los elementos se correlaciona con su
estructura cristalina (Fig. 3d, Tabla 2): Los elementos BCC Cr y Fe son
estabilizadores BCC (bCr = 0,37, bFe = 0,41 ), los elementos FCC (/HCP)
Co, Ni y Cu son estabilizadores FCC (bCo ¼ þ0.07, bNi ¼ þ1.00, bCu ¼ þ0.15),
aunque con diferente magnitud. Mn, que no es ni FCC ni BCC, se identifica
como un estabilizador BCC (bMn = 0,59). Este hallazgo contrasta con
informes anteriores que sugieren que Mn es un estabilizador de FCC [1,66].
La excepción notable es el Al: a pesar de su estructura FCC, el Al es el
estabilizador BCC más fuerte (bAl ¼ 0,85) entre todos los elementos
considerados aquí.
Claramente, no podemos explicar la selección de fase observada en
SPSS solo a través de las estructuras cristalinas de los elementos. Deben
ser importantes características adicionales, en particular para el Al y el Mn,
que muestran una discrepancia cualitativa entre su capacidad estabilizadora
y su estructura. Ambos, Al y Mn, son atómicamente mucho más grandes que
todos los demás elementos (cf. Tabla 2), lo que sugiere que la diferencia de
tamaño atómico y la tensión de red asociada podrían ser un factor crucial en
la selección de fase de SPSS. En la siguiente sección, investigaremos cómo
la diferencia de tamaño atómico afecta la formación de fase.
Machine Translated by Google
682
3.4. La gran diferencia de tamaño atómico favorece a BCC sobre FCC
En la sección anterior, interpretamos los coeficientes bi e identificamos dos
contribuciones determinantes para la selección de fase de SPSS: una es la estructura
cristalina de los elementos constituyentes, que se cuantifica a través del parámetro FBI
para capturar la preferencia estructural inherente de la aleación. La otra es la diferencia de
tamaño atómico, que puede ser la razón por la cual los elementos grandes Al y Mn actúan
aquí como estabilizadores de BCC. La diferencia de tamaño atómico en una aleación se
cuantifica mediante d:
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
d = 100%, X xið1 ri=rÞ
s i
Aquí, ri es el radio atómico del elemento i (cf. Tabla 2) [1e3]. Nuestro análisis anterior
revela que una predicción estructural precisa debe combinar FBI y d. Para verificar esto,
trazamos los valores de estructura codificados por colores de todos los puntos de datos en
función de FBI y d (Fig. 4a).
El gráfico resultante confirma nuestro hallazgo: hay dos regiones SPSS distinguibles
de formación de FCC y BCC/B2, separadas por una región de dos fases. Se pueden elegir
líneas de límite que produzcan valores de CCR de hasta el 96 %. Sorprendentemente,
nuestros datos también revelan que con el aumento de la diferencia de tamaño atómico, la
estructura BCC/B2 se encuentra en valores cada vez más positivos de FBI. Esto sugiere
que al aumentar d la estabilidad de BCC/B2 aumenta en relación con FCC. Por ejemplo,
para d > 5, SPSS de estructura BCC/B2 se encuentra incluso para FBI > 50%.
¿Cómo afecta la diferencia de tamaño atómico en una solución sólida a la estabilidad
de FCC en comparación con BCC/B2? El origen radica en el empaquetamiento más denso
y restringido de FCC en comparación con BCC. Con 12 vecinos más cercanos y una
fracción de empaquetamiento del 74 % en FCC, los átomos que se desvían del tamaño
promedio entran en conflicto con más átomos circundantes que en BCC, donde los átomos
tienen ocho vecinos más cercanos empaquetados al 68 %. Dado que FCC está optimizado
para la eficiencia de empaquetamiento, la estructura no ofrece espacio inherente que
puedan ocupar los átomos más grandes sin distorsionar significativamente la red. BCC,
por el contrario, con su empaquetamiento más suelto proporciona espacio libre al que
pueden desplazarse átomos más grandes, lo que reduce la distorsión de red general.
Como consecuencia, con el aumento de la diferencia de tamaño atómico en una
solución sólida, la penalización de energía de la distorsión de red (energía de deformación
elástica) crece más rápido para FCC que para BCC y, en comparación con BCC, FCC se
vuelve cada vez más inestable. Entre los elementos considerados aquí, este comportamiento
es más extremo para el Al, cuya preferencia inherente por FCC se ve superada por la
penalización de energía de deformación elástica introducida por su tamaño relativamente
grande. Por lo tanto, el Al (y, de manera similar, el Mn) deben considerarse como un
desestabilizador FCC, en lugar de un estabilizador BCC.
Para proporcionar evidencia directa de este mecanismo propuesto, analizamos cómo
cambia la fracción de empaquetamiento de las aleaciones en función de d. La fracción de
empaquetamiento de esfera dura (HSPF) se aproxima a la eficiencia de empaquetamiento
atómico de una aleación o estructura asumiendo átomos de esfera dura:
pi _ xi,4 3pr3
HSPF ¼ 100%,n
a3
Aquí, a es la constante de red cúbica determinada para cada punto de datos de SPSS a
partir de su difractograma, ri es el radio atómico del elemento i y n es el número de átomos
por celda unitaria (BCC/B2: n ¼ 2; FCC: n ¼ 4).
En la Fig. 4b, graficamos HSPF contra d: Los datos de la biblioteca #14 (CrFeCoNiCu)
con d z 1% concuerdan bien con las fracciones de empaquetamiento teóricas en el modelo
monoatómico de esfera dura: Los valores correspondientes de HSPF están razonablemente
cerca de 68% para BCC y 74% para FCC.
Para aleaciones que exhiben valores d más altos , su HSPF aumenta rápidamente.
SA Kube et al. / Acta Materialia 166 (2019) 677e686
Cabe mencionar que los valores HSPF no físicamente altos se originan en el hecho
de que los átomos en enlaces metálicos generalmente no se comportan como esferas
duras, lo que se refleja en la no aditividad de sus radios [15] . Al, por ejemplo, exhibe
longitudes de enlace significativamente más cortas con los metales de transición 3d [15].
Por lo tanto, los valores absolutos de HSPF no deben entenderse como fracciones de
empaque reales y es importante enfatizar que el valor absoluto no es crítico para nuestro
argumento. En cambio, el comportamiento relativo de HSPF entre FCC y BCC en función
de d proporciona información valiosa.
La Fig. 4b muestra que FCC y BCC/B2 constituyen ramas separadas, que se ven
igualmente afectadas por la no aditividad de los radios para una d dada.
Con el aumento de d, la diferencia de HSPF entre FCC y BCC disminuye. Para d alto, la
2
r¼X (4)
; xirí; rama BCC/B2 incluso se extiende a fracciones de empaque más altas que la rama FCC.
i Esta observación está respaldada por simulaciones, donde la adición de aluminio aumenta
el volumen de la celda unitaria de FCC significativamente más rápido que para BCC [70].
La capacidad de BCC/B2 para acomodar átomos de diferentes tamaños de manera más
efectiva que FCC (Fig. 4b) es el origen de la mayor estabilidad de BCC/B2 sobre FCC con
una gran diferencia de tamaño atómico, incluso para valores de FBI que sugieren
fuertemente la formación de FCC.
Con el efecto de preferencia de BCC revelado, podemos comparar VEC con FBI­d:
¿ Qué hace que VEC aparezca como un predictor efectivo? En primer lugar, los elementos
3d cambian de BCC a FCC al aumentar el VEC. En segundo lugar, Al desestabiliza FCC
debido a su gran tamaño atómico, mientras que tiene el VEC más bajo. Por lo tanto, un
VEC pequeño y un d grande en los HEA de metales de transición se correlacionan
automáticamente (cf. Fig. 2 complementaria) y favorecen la formación de BCC. Estos dos
efectos afectan a VEC en la misma dirección, por lo que es un artefacto que VEC solo
parece gobernar la formación de fase. Sin embargo, VEC no puede desacoplar el efecto
de la diferencia de tamaño y la preferencia inherente y, por lo tanto, posiblemente no pueda
proporcionar umbrales consistentes (compare también la gráfica de VEC vs. d, Fig. 2
complementaria : incluso el intento de desacoplar ambos efectos mientras se mantiene el
parámetro VEC no produce resultados). clasificación efectiva). La combinación de FBI y d
es un enfoque más perspicaz: desacopla la preferencia de estructura inherente de la
aleación (FBI, la contribución de los elementos constituyentes a la estructura electrónica,
que se manifiesta más claramente en la estructura cristalina de los elementos puros, en
realidad correlacionada con VEC para elementos 3d) del efecto de la distorsión de red (d).
Por supuesto, queda por demostrar si FBI­d produce una clasificación consistente para las
aleaciones HEA en general. El hallazgo de que la correlación se mantiene tanto en el grupo
Al como en el grupo Mn sugiere que es un criterio universal.
En este trabajo, hemos demostrado el efecto de preferencia de BCC.
Sorprendentemente, aunque la preferencia de BCC es plausible y de fundamental
importancia, los ejemplos en la naturaleza son escasos. La literatura publicada, incluidos
los diagramas de fase, no proporciona ejemplos convincentes de la preferencia BCC
observada. Otros efectos, como los cambios de energía química asociados con la aleación
y la diferencia sustancial de tamaño atómico, que inducen el ordenamiento atómico o la
precipitación, generalmente dominan y sobrescriben el motivo de preferencia BCC y
producen microestructuras complicadas que involucran múltiples fases, incluidas las
intermetálicas. En SPSS de HEA, sin embargo, el efecto de sombra de esas contribuciones
se supera convenientemente, ya que estos SPSS comúnmente se forman solo con
pequeñas diferencias de tamaño atómico y bajas entalpías de mezcla [1,2,20].
i (5)
; Esto explica la falta de ejemplos generales de una preferencia BCC con una gran diferencia
de tamaño atómico en la literatura; este efecto está íntimamente relacionado con los HEA.
3.5. Efectos de la tasa de enfriamiento en la selección de fase
Se espera que el efecto de preferencia de BCC se observe más ampliamente para los
HEA, que se forman lejos del equilibrio a altas velocidades de enfriamiento, donde las
fases intermetálicas competidoras se suprimen cinéticamente. Para evaluar el efecto del
enfriamiento
Machine Translated by Google

SA Kube et al. / Acta Materialia 166 (2019) 677e686 683

Fig. 4. (a) Predicción de selección de fase SS basada en la combinación de FBI y d: Se identifican regiones de formación claras de SPSS, que se pueden separar por umbrales de clasificación, que
arrojan valores de CCR de hasta 96%. Encontramos confirmados los dos principales motivos de formación: en primer lugar, las aleaciones con un mayor contenido de elementos FCC tienden a preferir
la estructura FCC. En segundo lugar, con el aumento de la diferencia de tamaño atómico, aumenta la estabilidad relativa de BCC. Además, la región BCC pasa suavemente a la región B2 para valores
altos de d. (b) HSPF y estructura en función de d: al aumentar d , el HSPF de la estructura BCC se acerca o supera al HSPF de FCC. Esto implica que la estructura BCC con una gran diferencia de
tamaño atómico acomoda los átomos mejor que FCC, lo que provoca una mayor estabilidad relativa de BCC con una d alta.

tasa en la selección de fase, preparamos muestras a granel para 10 composiciones
(los detalles experimentales se proporcionan en la sección de métodos
complementarios), que son representativas de los datos combinatorios. Para
cada composición, fabricamos tres muestras para realizar diferentes velocidades
de enfriamiento. Las Fig. 5a yb ejemplifican los patrones XRD obtenidos a través
de las diferentes condiciones de procesamiento (todos los difractogramas en la
sección complementaria) y la Fig. 5c resume los hallazgos para todas las
composiciones.
La Fig. 5 muestra la dependencia de la velocidad de enfriamiento de las
estructuras encontradas para dos composiciones representativas: En el límite de
equilibrio (recocido), ambas composiciones presentan microestructuras
como
compuestas por dos fases. Con el aumento de la velocidad de enfriamiento, la estructura
de fase
reduce en complejidad, dejando finalmente solo un SPSS para la muestra
pulverizada. Se observa una reducción cualitativamente similar de la complejidad
de la estructura de fase con el aumento de la velocidad de enfriamiento para
todas las muestras a granel consideradas aquí (Fig. 5c). Sin embargo, la velocidad
crítica de enfriamiento a la que ya no se forman los SPSS y el efecto de
preferencia de BCC se sobrescribe con otros efectos es específico de la aleación.
Por ejemplo, en la muestra 6 se observa un BCC SPSS a granel (1 mm) aunque
FBI ¼ 0,17, lo que por sí solo sugiere fuertemente FCC. Para otras aleaciones, la
preferencia de BCC se sobrescribe a velocidades de enfriamiento de 1000 K/seg
o incluso superiores.
La preferencia de BCC por HEA con una gran diferencia de tamaño atómico,
lo informamos aquí, es un efecto termodinámico, que a menudo es
Machine Translated by Google

684 SA Kube et al. / Acta Materialia 166 (2019) 677e686

Fig. 5. Comparación por velocidad de enfriamiento de muestras a granel: (a) Difractogramas de la muestra a granel 4, Al17Cr26Fe16Co21Cu20. (b) Difractogramas de la muestra a granel 7, Cr24Mn10Co21Ni23Cu22. (C)
Resumen: Se seleccionaron diez composiciones de los datos pulverizados (AS) para representar combinaciones de elementos variables y valores de d, FBI y SSSI. Para cada composición, se produjeron tres muestras a
granel; Las muestras de "1 mm" y "4 mm" se fundieron con arco y luego se templaron a través de fundición por succión enfriada con agua en varillas con un espesor de 1 mm (tasa de enfriamiento ~ 1000 K / s) y 4 mm
(tasa de enfriamiento ~ 60 K /s [71]). Para "Recocido", las aleaciones maestras se recocieron durante 24 h a 1100 C en argón de ultra alta pureza. Con el aumento de la velocidad de enfriamiento (Recocido e 4 mm y 1
mm y AS), las aleaciones pasan gradualmente de combinaciones de fases más complejas (fases múltiples, IM) a SPSS simples. La velocidad crítica de enfriamiento a la que se alcanza el SPSS final depende de las
aleaciones. Por ejemplo, es bajo para las composiciones 1 y 6 pero alto para las composiciones 7 y 9.

eclipsado por otras contribuciones. Sin embargo, al investigar el efecto de la
velocidad de enfriamiento, demostramos que esta preferencia es significativamente
más fácil de observar en muestras cristalizadas bajo altas velocidades de
enfriamiento: las combinaciones de fases energéticamente más favorables,
como las mezclas de fases y los intermetálicos, a menudo superan al SPSS. Sin
embargo, requieren una formación no polimórfica, que se suprime cinéticamente
mediante el enfriamiento. Al superar una tasa de enfriamiento crítica, que
dependiendo de la aleación puede ser tan baja como las tasas de enfriamiento
accesibles a través del procesamiento a granel, se obtienen las estructuras de
SPSS que de otro modo estarían ocultas y se revela el efecto de preferencia de
BCC. En este sentido, la preferencia de BCC se observa con mucha más
frecuencia con las tasas de enfriamiento más altas posibles logradas a través
del método de pulverización catódica.
4. Conclusión
Usamos síntesis combinatoria combinada con EDX de escaneo de alto
rendimiento y XRD de sincrotrón para fabricar y caracterizar 2478 HEA quinarios
tal como se pulverizaron. Esta cantidad sin precedentes de datos determinados
consistentemente se presenta en diagramas de fase de composición de
estructuras (datos disponibles en “MAP” (http://materialsatlasproject.org/ )). A
través de la extracción de nuestros datos, determinamos e interpretamos la
capacidad de estabilización estructural efectiva de cada elemento y concluimos
que la estructura SPSS es
determinado predominantemente por una combinación del contenido de
elementos FCC/BCC y la diferencia de tamaño atómico.
La efectividad de las estrategias combinatorias combinadas con la extracción
de datos para la investigación de HEA se refleja mejor en nuestro hallazgo de
que la formación de BCC/B2 se vuelve cada vez más favorable sobre FCC en
HEA con una diferencia de tamaño atómico creciente, que puede revelarse de
manera más efectiva a través de las altas velocidades de enfriamiento asociadas
con el método de pulverización. La razón de este hallazgo, que no se refleja en
las reglas de Hume­Rothery, es que BCC tiene menos restricciones que FCC y,
por lo tanto, puede acomodar átomos de diferentes tamaños con menos
pena de energía de tensión. Esta preferencia de BCC, que es una característica
única de los HEA, sugiere una herramienta de diseño de aleaciones para
sobrescribir la preferencia de estructura inherente de los elementos y crear
aleaciones de BCC con elementos que de otro modo preferirían la estructura de FCC.
Disponibilidad de datos
Todos los datos están disponibles en nuestro repositorio de datos en línea
“MAP” (http://materialsatlasproject.org/) y en el material complementario.
Contribuciones de autor
SAK y JS diseñaron este estudio. SAK preparó el
Machine Translated by Google
SA Kube et al. / Acta Materialia 166 (2019) 677e686
Muestras combinatorias por pulverización catódica. SAK y DU realizaron las
mediciones EDX. SAK, AD y AM realizaron las mediciones XRD de sincrotrón. SAK
y SS fabricaron y caracterizaron las muestras a granel. SAK y JS analizaron los
resultados y escribieron el manuscrito.
Conflictos de interés
Los autores declaran no tener intereses financieros en competencia.
Agradecimientos
Los autores agradecen a William Samela del Departamento de Geología y
Geofísica de la Universidad de Yale por su ayuda con el mecanizado.
Este trabajo fue apoyado por NSF DMR a través del premio #1609391.
Los datos de difracción de rayos X se recopilaron en Stanford Synchrotron Radiation
Lightsource, SLAC National Accelerator Laboratory, que cuenta con el respaldo del
Departamento de Energía de EE. UU., Oficina de Ciencias, Oficina de Ciencias
Energéticas Básicas bajo el Contrato No. DE­AC02­76SF00515.
Apéndice A. Datos complementarios
Los datos complementarios de este artículo se pueden encontrar en línea en
https://doi.org/10.1016/j.actamat.2019.01.023.
Referencias
[1] Y. Zhang, TT Zuo, Z. Tang, MC Gao, KA Dahmen, PK Liaw, ZP Lu, Microestructuras y
propiedades de aleaciones de alta entropía, Prog. Mate. ciencia 61 (2014) 1e93.
[2] D. Miracle, O. Senkov, Una revisión crítica de las aleaciones de alta entropía y
conceptos, Acta Mater. 122 (2017) 448e511.
[3] M.­H. Tsai, J.­W. Sí, aleaciones de alta entropía: una revisión crítica, Mater. Res. Letón. 2 (3)
(2014) 107e123.
[4] C. Lee, G. Song, MC Gao, R. Feng, P. Chen, J. Brechtl, Y. Chen, K. An, W. Guo, JD
Poplawsky, Distorsión de celosía en un alto refractario fuerte y dúctil aleación de entropía,
Acta Mater. 160 (2018) 158e172.
[5] B. Cai, B. Liu, S. Kabra, Y. Wang, K. Yan, PD Lee, Y. Liu, Mecanismos de deformación de
aleación de alta entropía FeCoCrNi aleado con Mo: difracción de neutrones in situ, Acta
Mater . 127 (2017) 471e480.
[6] Z. Zhang, M. Mao, J. Wang, B. Gludovatz, Z. Zhang, SX Mao, EP George, Q. Yu, RO Ritchie,
orígenes a nanoescala de la tolerancia al daño de la aleación de alta entropía CrMnFeCoNi,
Nat. común 6 (2015) 10143.
[7] Z. Tang, T. Yuan, C.­W. Tsai, J.­W. Yeh, CD Lundin, PK Liaw, Comportamiento a la fatiga de
una aleación forjada de Al 0,5 CoCrCuFeNi bifásica de alta entropía, Acta Mater. 99 (2015)
247e258.
[8] S. Chen, W. Li, X. Xie, J. Brechtl, B. Chen, P. Li, G. Zhao, F. Yang, J. Qiao, KA Dahmen,
Dentado a nanoescala y características de fluencia de Al0. Aleaciones de alta entropía
5CoCrCu FeNi, J. Alloy. compensación 752 (2018) 464e475.
[9] ON Senkov, GB Wilks, DB Miracle, CP Chuang, PK Liaw, Aleaciones refractarias de alta
entropía, Intermetallics 18 (9) (2010) 1758e1765.
[10] ON Senkov, DB Milagro, KJ Chaput, J.­P. Couzinie, Desarrollo y exploración de aleaciones
refractarias de alta entropía, revisión, J. Mater. Res. (2018) 1e37.
[11] Y. Chou, J. Yeh, H. Shih, El efecto del molibdeno en el comportamiento frente a la corrosión de
las aleaciones de alta entropía Co1. 5CrFeNi1. 5Ti0. 5Mox en ambiente acuoso , Corros.
ciencia 52 (8) (2010) 2571e2581.
[12] Y. Shi, B. Yang, X. Xie, J. Brechtl, KA Dahmen, PK Liaw, Corrosión de aleaciones de alta
entropía Al xCoCrFeNi: contenido de Al y comportamiento potencial de picaduras dependiente
de la velocidad de escaneo , Corros. ciencia 119 (2017) 33e45.
[13] T. Egami, W. Guo, P. Rack, T. Nagase, Resistencia a la irradiación de multicomponente
aleaciones, metal. Mate. Trans. 45 (1) (2014) 180e183.
[14] NK Kumar, C. Li, K. Leonard, H. Bei, S. Zinkle, Estabilidad microestructural y comportamiento
mecánico de la aleación de alta entropía FeNiMnCr bajo irradiación iónica, Acta Mater. 113
(2016) 230e244.
[15] Z. Tang, MC Gao, H. Diao, T. Yang, J. Liu, T. Zuo, Y. Zhang, Z. Lu, Y. Cheng, Y. Zhang, KA
Dahmen, PK Liaw, T. Egami, efectos de aleación de aluminio en tipos de celosía,
microestructuras y comportamiento mecánico de sistemas de aleaciones de alta entropía ,
JOM 65 (12) (2013) 1848e1858.
[16] S. Niu, H. Kou, Y. Zhang, J. Wang, J. Li, Las características del dentado en Al0.
Aleación de alta entropía 5CoCrFeNi, Mater. ciencia Ing., A 702 (2017) 96e103.
[17] J. Brechtl, S. Chen, X. Xie, Y. Ren, J. Qiao, P. Liaw, S. Zinkle, Hacia una mayor comprensión
de los flujos dentados en una aleación basada en alta entropía que contiene Al, En t. J. Plast.
(2019). https://doi.org/10.1016/j.ijplas.2018.11.011.
685
[18] HY Yasuda, K. Shigeno, T. Nagase, Envejecimiento dinámico de cepas de Al0. Monocristales
de aleación de alta entropía 3CoCrFeNi , Scripta Mater. 108 (2015) 80e83.
[19] S. Guo, C. Ng, J. Lu, C. Liu, Efecto de la concentración de electrones de valencia en la
estabilidad de la fase fcc o bcc en aleaciones de alta entropía, J. Appl. física 109 (10)
(2011), 103505.
[20] Y. Zhang, Z. Lu, S. Ma, P. Liaw, Z. Tang, Y. Cheng, M. Gao, Directrices para predecir la
formación de fases de aleaciones de alta entropía, Mrs Communications 4 (2) ( 2014) 57e62.
[21] D. Miracle, B. Majumdar, K. Wertz, S. Gorsse, Nuevas estrategias y pruebas para acelerar el
descubrimiento y desarrollo de aleaciones estructurales de elementos múltiples , Scripta
Mater. 127 (2017) 195e200.
[22] O. Senkov, D. Miracle, Un nuevo parámetro termodinámico para predecir la formación de
soluciones sólidas o fases intermetálicas en aleaciones de alta entropía, J. Alloy.
compensación 658 (2016) 603e607.
[23] LJ Santodonato, Y. Zhang, M. Feygenson, CM Parish, MC Gao, RJK Weber, JC Neuefeind,
Z. Tang, PK Liaw, Desviación de configuraciones de alta entropía en las distribuciones
atómicas de un elemento multiprincipal aleación, Nat. común 6 (2015) 5964.
[24] Y. Zhang, YJ Zhou, JP Lin, GL Chen, PK Liaw, Reglas de formación de fase de solución
sólida para aleaciones de múltiples componentes, Adv. Ing. Mate. 10 (6) (2008) 534e538.
[25] Y. Zhang, X. Yang, PK Liaw, Diseño de aleaciones y optimización de propiedades de alta
aleaciones de entropía, JOM 64 (7) (2012) 830e838.
[26] P. Wilson, R. Field, M. Kaufman, El uso de múltiplos de difusión para examinar la dependencia
composicional de la estabilidad de fase y la dureza del sistema de aleación de alta entropía
Co­Cr­Fe Mn­Ni, Intermetallics 75 (2016) 15e24.
[27] Q. Hu, S. Guo, J. Wang, Y. Yan, S. Chen, D. Lu, K. Liu, J. Zou, X. Zeng, Estudio paramétrico
de la formación de aleaciones amorfas de alta entropía a partir de dos nuevas perspectivas:
modificación del radio atómico y estructura cristalina de elementos de aleación, Sci. Rep. 7
(2017), 39917.
[28] W. Guo, W. Dmowski, J.­Y. Noh, P. Rack, PK Liaw, T. Egami, Estructura atómica local de
una aleación de alta entropía: un estudio de dispersión de rayos X y neutrones, Metall.
Mate. Trans. 44 (5) (2013) 1994e1997.
[29] A. Munitz, MJ Kaufman, JP Chandler, H. Kalaantari, R. Abbaschian, fenómenos de separación
de fusión en aleación de alta entropía CoNiCuAlCr que contiene plata, Mater. ciencia Ing.,
A 560 (2013) 633e642.
[30] KJ Laws, C. Crosby, A. Sridhar, P. Conway, LS Koloadin, M. Zhao, S. Aron­Dine, LC
Bassman, Latones y bronces de alta entropía y microestructura, evolución de fase y
propiedades, J. Alloy . compensación 650 (2015) 949e961.
[31] S. Sohn, Y. Liu, J. Liu, P. Gong, S. Prades­Rodel, A. Blatter, BE Scanley, CC Broadbridge, J.
Schroers, Aleaciones de metal noble de alta entropía, Scripta Mater. 126 (2017) 29e32.
[32] C. Zhang, F. Zhang, S. Chen, W. Cao, Diseño de aleación de alta entropía asistido por
termodinámica computacional , JOM 64 (7) (2012) 839e845. €
[33] A. Manzoni, H. Daoud, S. Mondal, S. Van Smaalen, R. Volkl, U. Glatzel, N. Wanderka,
Investigación de fases en aleaciones de alta entropía Al23Co15Cr23Cu8Fe15Ni16 y
Al8Co17Cr17Cu8Fe17Ni33 y comparación con fases de equilibrio predichas por Thermo­
Calc, J. Aleación. compensación 552 (2013) 430e436.
[34] C. Ng, S. Guo, J. Luan, S. Shi, CT Liu, Estabilidad de fase impulsada por la entropía y cinética
de difusión lenta en un Al0. Aleación de alta entropía 5CoCrCuFeNi, Intermetallics 31 (2012)
165e172.
[35] O. Senkov, J. Miller, D. Miracle, C. Woodward, Exploración acelerada de aleaciones de
elementos multiprincipales con fases de solución sólida, Nat. común 6 (2015) 6529.
[36] MC Gao, DE Alman, Buscando la próxima aleación monofásica de alta entropía
composiciones, Entropía 15 (10) (2013) 4504e4519.
[37] C. Zhang, MC Gao, Modelado CALPHAD de aleaciones de alta entropía, aleaciones de alta
entropía , Springer, 2016, pp. 399e444.
[38] F. Zhang, C. Zhang, S.­L. Chen, J. Zhu, W.­S. Cao, UR Kattner, Una comprensión de las
aleaciones de alta entropía a partir de cálculos de diagramas de fase, Calphad 45 (2014)
1e10.
[39] F. Tian, LK Varga, N. Chen, L. Delczeg, L. Vitos, Investigación ab initio de aleaciones de alta
entropía de elementos 3d, Phys. Rev. B 87 (7) (2013), 075144.
[40] MF del Grosso, G. Bozzolo, HO Mosca, Modelado de aleaciones de alta entropía de elementos
refractarios, Phys. B condensa. Asunto 407 (16) (2012) 3285e3287.
[41] WP Huhn, M. Widom, Predicción de la transición de fase A2 a B2 en la aleación de alta
entropía Mo­Nb­Ta­W, JOM 65 (12) (2013) 1772e1779 .
[42] X. Yang, Y. Zhang, Predicción de soluciones sólidas estabilizadas de alta entropía en aleaciones
de múltiples componentes, Mater. química física 132 (2e3) (2012) 233e238.
[43] P. Bordeenithikasem, J. Liu, SA Kube, Y. Li, T. Ma, BE Scanley, CC Broadbridge, JJ Vlassak,
JP Singer, J. Schroers, Determinación de velocidades de enfriamiento críticas en bibliotecas
de aleaciones de formación de vidrio metálico mediante recocido de picos láser , Sci. Rep. 7
(1) (2017) 7155.
[44] J. Cui, YS Chu, OO Famodu, Y. Furuya, J. Hattrick­Simpers, RD James, A. Ludwig, S.
Thienhaus, M. Wuttig, Z. Zhang, Búsqueda combinatoria de la memoria de forma
termoelástica Aleaciones con ancho de histéresis extremadamente pequeño, Nat.
Mate. 5 (4) (2006) 286.
[45] S. Ding, Y. Liu, Y. Li, Z. Liu, S. Sohn, FJ Walker, J. Schroers, Combinatoria
desarrollo de vidrios metálicos a granel, Nat. Mate. 13 (5) (2014) 494.
[46] J. Liu, Y. Liu, P. Gong, Y. Li, KM Moore, E. Scanley, F. Walker, CC Broadbridge, J. Schroers,
Exploración combinatoria del color en aleaciones con base de oro, Gold Bull. 48 (3e4) (2015)
111e118.
[47] Yanhui Liu, Jagannath Padmanabhan, Bettina Cheung, Jingbei Liu, Zheng Chen, B. Ellen
Scanley, Donna Wesolowski, Mariyah Pressley, Christine C. Broadbridge, Sidney Altman,
Udo D. Schwarz, Themis R. Kyriakides, Jan Schroers, Desarrollo combinatorio de Zr­Cu­Al­
Ag antibacteriano delgado
Machine Translated by Google
686 SA Kube et al. / Acta Materialia 166 (2019) 677e686
vidrios metálicos de película, Sci. Rep. 6 (2016), 26950.
[48] P. Tsai, KM Flores, Una estrategia combinatoria para el diseño de vidrio metálico mediante
deposición láser, Intermetallics 55 (2014) 162e166.
[49] A. Marshal, KG Pradeep, D. Music, S. Zaefferer, PS De, JM Schneider, Síntesis combinatoria
de aleaciones de alta entropía: introducción de una nueva solución sólida de FeMnCoCrAl
cúbica centrada en el cuerpo, monofásica, J. Aleación. compensación 691 (2017) 683e689.
[50] F. Ren, L. Ward, T. Williams, KJ Laws, C. Wolverton, J. Hattrick­Simpers, A. Mehta,
Descubrimiento acelerado de vidrios metálicos mediante la iteración del aprendizaje
automático y experimentos de alto rendimiento, Sci . Adv. 4 (4) (2018).
[51] JM Gregoire, C. Xiang, X. Liu, M. Marcin, J. Jin, Scanning droplet cell para mediciones
electroquímicas y fotoelectroquímicas de alto rendimiento, Rev.
ciencia instrumento 84 (2) (2013), 024102.
[52] JM Gregoire, PJ McCluskey, D. Dale, S. Ding, J. Schroers, JJ Vlassak, Combinando
nanocalorimetría combinatoria y técnicas de difracción de rayos X para estudiar los efectos
de la composición y la tasa de extinción en vidrios metálicos AueCueSi , Scripta Mater. 66
(3) (2012) 178e181.
[53] JM Gregoire, D. Dale, A. Kazimirov, FJ DiSalvo, RBv Dover, Difracción de rayos X de alta
energía/espectroscopía de fluorescencia de rayos X para análisis de alto rendimiento de
películas delgadas extendidas de composición, Rev. Sci. instrumento 80 (12) (2009), 123905.
[54] M. Li, J. Gazquez, A. Borisevich, R. Mishra, KM Flores, Evaluación de la microestructura y
variaciones de propiedades mecánicas en aleaciones de alta entropía Al x CoCrFeNi
producidas por un método de deposición láser de alto rendimiento, Intermetallics 95 ( 2018)
110e118.
[55] KF Kelton, GAL, Nucleación en materia condensada, Pergamon Press, 2010.
[56] DM Herlach, T. Palberg, I. Klassen, S. Klein, R. Kobold, Resumen: estudios experimentales
de la nucleación de cristales: metales y coloides, J. Chem. física 145 (21) (2016), 211703.
[57] YL Li, KE Jensen, YH Liu, JB Liu, P. Gong, BE Scanley, CC Broadbridge, J. Schroers,
Estrategias combinatorias para la síntesis y caracterización de microestructuras de
aleaciones en grandes rangos de composición, ACS Comb. ciencia 18 (10) (2016) 630e637.
[58] WJ Boettinger, SR Coriell, AL Greer, A. Karma, W. Kurz, M. Rappaz, R. Trivedi,
Microestructuras de solidificación: desarrollos recientes, futuro
direcciones, Acta Mater. 48 (1) (2000) 43e70.
[59] D. Turnbull, ¿Bajo qué condiciones se puede formar un vidrio? Contemp. física 10 (5) (1969)
473e488.
[60] Y. Zhang, S. Guo, CT Liu, X. Yang, Reglas de formación de fase, Aleaciones de alta entropía,
Springer, 2016, págs. 21e49.
[61] TB Massalski, U. Mizutani, Estructura electrónica de las fases de Hume­Rothery,
prog. Mate. ciencia 22 (3e4) (1978) 151e262.
[62] A. Paxton, M. Methfessel, D. Pettifor, A bandstructure view of the Hume Rothery electron
phases, en: Actas de la Royal Society of London A: Mathematical, Physical and Engineering
Sciences, The Royal Society, 1997, págs . .1493e1514 .
[63] U. Mizutani, Las reglas de Hume­Rothery para fases de aleación estructuralmente complejas,
propiedades superficiales e ingeniería de compuestos intermetálicos complejos, World
Scientific, 2010, pp. 323e399.
[64] FE Harrell, Regresión logística ordinal, estrategias de modelado de regresión: con aplicaciones
a modelos lineales, regresión logística y análisis de supervivencia, Springer New York, New
York, NY, 2001, pp. 331e343.
[65] DG Kleinbaum, M. Klein, Regresión logística ordinal, Regresión logística: un texto de
autoaprendizaje, Springer New York, New York, NY, 2010, pp. 463e488.
[66] B. Ren, ZX Liu, DM Li, L. Shi, B. Cai, MX Wang, Efecto de la interacción elemental en la
microestructura del sistema de aleación de alta entropía CuCrFeNiMn, J. Alloy.
compensación 493 (1) (2010) 148e153.
[67] O. Senkov, D. Miracle, Efecto de la distribución del tamaño atómico en la capacidad de formación
de vidrio de las aleaciones metálicas amorfas, Mater. Res. Toro. 36 (12) (2001) 2183e2198.
[68] RD Callister WD, Ciencia e ingeniería de materiales, Wiley, 2015.
[69] D. Hobbs, J. Hafner, D. Spisak, Entendiendo el elemento metálico complejo Mn. I. Estructura
magnética cristalina y no colineal de alfa­Mn, Phys. Rdo.
B 68 (1) (2003), 014407.
[70] F. Tian, Y. Wang, DL Irving, L. Vitos, Aplicaciones de aproximación potencial coherente a HEA,
Aleaciones de alta entropía, Springer, 2016, pp. 299e332.
[71] X. Lin, W. Johnson, Formación de vidrios metálicos a granel TieZreCueNi, J. Appl.
física 78 (11) (1995) 6514e6519.