通过选择合适的退火时间和温度来优化强度和延性之间的权衡，咖瑞可以调整各个相的体积分数。

在这两种温度下，啡成HCP相的含量随热处理时间的增加而增加。500℃退火1h导致硬度从未热处理的420Hv增加到的530Hv，瑞幸而在700℃下硬度低于未热处理态。

图十一HfNbTaTiZr 600 °C(a,b),800 °C(c,d)在10h (a,c)and100h (b,d)下的微观组织和各温度下的硬度折线图以及800°和600°100小时下的XRD图样NO.6  Controlledformationofcoherentcuboidalnanopreci--pitatesinbody-centeredcubichigh-entropyalloysbasedonAl2(Ni,Co,Fe,Cr)14compositions亮点：幸成以Al2M14（M代表四种不同的过渡金属）的组成式为基础，幸成研究了Al-Ni- Co-Fe-Cr高熵合金的微观结构演变、相变、立方形沉淀的形成原因和力学性能。咖啡为了测试纳米晶高熵合金材料的热力学稳定性。咖瑞用弱束暗场透射电镜对几种典型面心立方（FCC）高熵合金（HEAS）的层错能（SFE）进行了实验测量。

结果表明，啡成在以BCC为主的HEA体系中，有序的B2沉淀在BCC固溶体基体中始终呈连续分布。、瑞幸利用弱束暗场成像技术，对部分位错对进行了分析，并确定了合金的层错能。

图十二 Al-Ni-Co-Fe-Cr高熵合金的微观组织、幸成拉伸性能和硬化曲线NO.7Compositionalvariationeffectsonthemicrostructureandpropertiesofarefractoryhigh-entropysuperalloyAlMo0.5NbTa0.5TiZr亮点：幸成尝试通过调整AlMo0.5NbTa0.5TiZr基高温合金的成分，在保持由纳米级相组成的等轴晶粒组织的同时，去除粗糙的GB金属间相。

图十高压扭转后TiZrNbHfTa的微观组织和压缩性能NO.5  AgingbehavioroftheHfNbTaTiZrhighentropyalloy亮点：咖啡本文将铸态HfNbTaTiZr在1200℃均化、咖啡600～1000℃退火1～100h，然后对其组织和显微硬度进行了研究。目前，咖瑞机器学习在材料科学中已经得到了一些进展，如进行材料结构、相变及缺陷的分析[4-6]、辅助材料测试的表征[7-9]等。

并利用交叉验证的方法，啡成解释了分类模型的准确性，精确度为92±0.01%（图3-9）。近年来，瑞幸这种利用机器学习预测新材料的方法越来越受到研究者的青睐。

为了解决上述出现的问题，幸成结合目前人工智能的发展潮流，幸成科学家发现，我们可以将所有的实验数据，计算模拟数据，整合起来，无论好坏，便能形成具有一定数量的数据库。图2-1 机器学习的学习过程流程图为了通俗的理解机器学习这一概念，咖啡举个简单的例子：咖啡当我们是小朋友的时候，对性别的概念并不是很清楚，这就属于步骤1：问题定义的过程。