← 返回 PaperDaily 大模型与智能体

降温反变硬？熔体淬火新发现：FeCoNiB0.7Si0.3Be高熵合金矫顽力飙升237%

面对高温熔融合金，“泼冷水”会发生什么？晶粒细化、相变、性能突变，这些有趣的材料科学现象，在本期论文中一展无余。想了解如何用超快冷却“定制”性能吗？此文不容错过。

龙哥读论文 阅读 4 查看原文
#AI科研 #综述
降温反变硬？熔体淬火新发现：FeCoNiB0.7Si0.3Be高熵合金矫顽力飙升237%
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
面对高温熔融合金，“泼冷水”会发生什么？晶粒细化、相变、性能突变，这些有趣的材料科学现象，在本期论文中一展无余。想了解如何用超快冷却“定制”性能吗？此文不容错过。


原论文信息如下：
论文标题:
The phase composition and physical properties of melt-quenched multicomponent alloy FeCoNiB0.7Si0.3Be
发表日期:
2026年06月
发表单位:
Oles Honchar Dnipro National University, Dnipro, Ukraine / Dniprovsky State Technical University, Kamianske, Ukraine
原文链接:
https://arxiv.org/pdf/2606.13420v1.pdf
传统合金设计像炒菜，总有个主料。但高熵合金（HEAs）不按套路出牌——把多种主要元素等比例搅和，搞出“大乱炖”。
由于混合熵贡献，它反而倾向于形成简单固溶体（FCC或BCC），在强度、硬度、耐腐蚀性、磁学性能上潜力巨大。
但“烹饪”方式也很关键。传统铸造冷却慢（约10² K/s），晶粒粗大。科学家想到熔体淬火（MQ）：把熔液以>10⁴ K/s的速度甩到高速旋转铜辊上，瞬间凝固成薄带。这就像给金属来了个“冰桶挑战”，结构被冻结在非平衡态，形成纳米晶甚至非晶，带来性能提升。
本文研究者聚焦FeCoNiB0.7Si0.3Be高熵合金，探究不同冷却速度对相组成、微观结构和物理性能的影响。

一、高性能高熵合金的新星：熔体淬火带来的性能突变

主角是FeCoNiB0.7Si0.3Be合金。Fe、Co、Ni贡献铁磁性，B、Si、Be提高非晶形成能力并影响力学性能。Be硬度高、密度低，理论上能提升硬度和热稳定性。
研究者用了两种方式：铜模铸造（冷却速度约10² K/s，得铸态样品）和熔体淬火（转速8000 RPM，冷却速度约10⁶ K/s，得MQ薄膜样品）。速度差了四个数量级，相当于从“慢炖”切换到“急冻”。
这场“冰火两重天”的对比实验，带来了哪些结果？

二、实验设计：快速冷却下的相变追踪

研究者祭出一系列表征手段，给合金做了“全身体检”：
X射线衍射（XRD）：确定物相。
光学显微镜（OM）和扫描电子显微镜（SEM）：观察微观结构。
显微硬度测试：计算硬度。
振动样品磁强计（VSM）：测量矫顽力Hc和饱和磁化强度Ms。
开始前，研究者先算了一笔“理论账”，利用经验参数预测结构：
混合熵ΔSmix：衡量混乱程度。
混合焓ΔHmix：负值越大，越易形成金属间化合物。
热力学参数Ω：Ω>1倾向固溶体，<1倾向金属间化合物。
原子尺寸差δr：过大（>6.6%）易形成非晶或金属间化合物。
价电子浓度（VEC）：VEC<6.87倾向BCC，>8倾向FCC。
艾伦电负性差δχA：区分固溶体和金属间化合物。
计算公式如下：
公式1：混合熵。
公式2：混合焓。
公式3：Ω。
公式4：δr。
公式5：VEC。
公式6：δχA。
FeCoNiB0.7Si0.3Be的参数计算结果如下：
表1：电子、热力学和结构参数。
ΔSmix=14.4 J/(mol·K)，符合高熵标准。ΔHmix=-17.3 kJ/mol，绝对值大，易形成金属间化合物。Ω=1.5，略大于1。δr=12.47%，远超6.6%，预示复杂相。VEC=6.46，预测BCC型结构。理论计算表明，该合金大概率是BCC固溶体和金属间化合物的多相混合物。

三、结果解析：微观结构如何决定宏观性能

理论预测完了，看实测结果：

1. 相组成变了：B2相”上位“成功

XRD图谱（图1）展示了物相差异。
图1：铸态和MQ态样品的XRD图谱。
铸态样品有B2相（有序BCC）和(Fe, Ni, Co)2B金属间化合物。MQ样品中，B2相衍射峰相对强度更高，金属间化合物峰变弱。快速冷却成功“打压”了金属间化合物，让B2相占据主导。

2. 微观结构“瘦身”了

再看微观结构（图2）。
图2：铸态(a)光学显微图和MQ态(b)SEM图像。
铸态样品显示枝晶状结构，有旋节分解迹象。MQ样品因冷却极快，形成精细、均匀的相混合体，结构“纳米化”。

3. 硬度双双很高，但MQ反而略微“变软”

硬度测试给出反直觉结果：铸态硬度10400 MPa，MQ态8900 MPa。快速冷却样品硬度反而下降。
原因在于：铸态含大量(Fe, Ni, Co)2B硬质相，MQ中该相比例降低，B2相增多。相组成的软化效应超过了晶粒细化带来的强化效应。

4. 磁学性能“反转”：变得更难退磁

磁学性能变化是论文最精彩部分。图3磁滞回线显示巨大差异。
图3：磁滞回线，(a)铸态，(b)MQ态。
材料为铁磁性。关键参数：
饱和磁化强度Ms：铸态71 A·m²/kg，MQ态73 A·m²/kg，几乎不变。
矫顽力Hc：铸态5200 A/m，MQ态飙升至17500 A/m，提高超过3倍！
矫顽力提升源于微观结构细化。MQ样品中大量晶界和微应力成为磁畴壁移动的“绊脚石”，使退磁困难。
这提供了一条新思路：不改变成分，仅通过改变凝固工艺就能大幅“定制”磁学性能。

四、结论与展望：快速凝固技术的潜力

三个清晰结论：
第一，成功制备多相FeCoNiB0.7Si0.3Be高熵合金，验证了B2相+金属间化合物的复相结构。
第二，快速凝固增加B2相比例，减少金属间化合物，细化结构，硬度略降（10400→8900 MPa），但磁学性能大幅提升。
第三，合金表现出良好硬磁特性，MQ态矫顽力17500 A/m，是很有潜力的硬磁材料候选者。
工作再次证明“工艺决定性能”的铁律，为利用非平衡凝固技术“裁剪”高熵合金性能提供了实验依据。
未来可优化成分或工艺参数，获得硬度和磁性更好平衡的材料。局限在于仅研究了一种MQ参数，对微观机制讨论不够深入。

龙迷三问

龙哥对大家可能问题的解答：

Q1：高熵合金和普通合金的区别？普通合金通常只有一种主元素，高熵合金是多种主元素（通常五种或更多）等比例混合，高混合熵使其倾向形成简单固溶体，而非脆性金属间化合物。

Q2：为什么急冻会大幅提升矫顽力？急冻“冻结”了细小晶粒和混乱原子排列，形成大量晶界、位错和微应力。这些缺陷像“路障”阻碍磁畴壁移动，使合金更难退磁，矫顽力因此大幅提升。

Q3：这种合金有实际应用价值吗？它有高硬度和矫顽力，可归类为硬磁材料，可能用于微型电机、传感器、磁记录介质等领域。但离大规模应用还有距离，需解决成本、均匀性和铍的毒性问题。

欢迎在评论区留言讨论~

龙哥点评

论文创新性分数：★★★✰✰将Be引入Fe-Co-Ni-B-Si体系，对比不同冷却速率，有一定新颖性，属拓展性研究。

实验合理度：★★★★✰设计清晰，方法可靠，但单一MQ参数略显不够。

学术研究价值：★★★★✰为“工艺-结构-性能”关联提供扎实证据，对后续研究有参考意义。

稳定性：★★★✰✰结果稳定，但高熵合金对成分波动敏感，MQ一致性需验证。

适应性以及泛化能力：★★★✰✰结论有普适性，但数据仅针对该特定成分。

硬件需求及成本：★★★★✰设备常见，MQ工艺复杂，含Be有要求，成本偏高。

复现难度：★★★✰✰方法清晰，但MQ设备搭建校准要求较高。

产品化成熟度：★★✰✰✰处于基础研究阶段，离产品化较远。

可能的问题：微观机制讨论不够深入，缺少温度依赖性测试，参考文献略冗杂。


主要参考文献

[1] O.I. Kushnerov, S.I. Ryabtsev, V.F. Bashev, Mol. Cryst. Liq. Cryst. 750, 135 (2023).
[2] O. I. Kushnerov,V. F. Bashev, East Eur. J. Phys. 25, 43 (2021).
[3] V. F. Bashev, O. I. Kushnerov, S. I. Ryabtsev, Mol. Cryst. Liq. Cryst. 765, 145 (2023).
[4] D. B. Miracle, O. N. Senkov, Acta Mater. 122, 448 (2017).
[5] T. Qi, Y. Li, A. Takeuchi, G. Xie, H. Miao, and W. Zhang, Intermetallics 66, 8 (2015).
[6] A. Altomare, N. Corriero, C. Cuocci, A. Falcicchio, A. Moliterni, and R. Rizzi, Powder Diffr. 32, S129 (2017).
[7] M. G. Poletti and L. Battezzati, Acta Mater. 75, 297 (2014).
[8] A. Takeuchi, A. Inoue, Mater. Trans. 46, 2817 (2005).
[9] V. V. Girzhon, V. V. Yemelianchenko, O. V. Smolyakov, A. S. Razzokov, Results Mater. 15, 100311 (2022).
[10] 原文链接：https://arxiv.org/pdf/2606.13420v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见。欢迎交流探讨～ 想了解更多原文细节，可点击"阅读原文"。

end
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。备注：研究方向+地点+学校/公司+昵称，可更快被通过。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。