CoCrFeMnNi(Cantor合金)是最经典的面心立方(FCC)单相高熵合金。从CALPHAD的角度看,它是一个六元系(Co-Cr-Fe-Mn-Ni),包含了15个二元系、20个三元系、15个四元系和6个五元系的相互作用——而CALPHAD只需要二元和三元参数,就可以外推出所有高阶系的吉布斯自由能。这是CALPHAD的核心优势,也是它的核心风险——外推到了六元系,还能不能站住脚。

Cantor合金的15个二元系中,大部分已经经过了30年以上的热力学评估。Co-Cr系有σ相(四方,复杂拓扑密堆结构),Co-Ni系几乎是理想固溶体(混合焓接近零),Cr-Ni系有γ’有序相——15个二元系的复杂程度从”几乎理想”到”多个金属间化合物”不等。
但二元系的评估质量参差不齐。Co-Cr二元系在SGTE(Scientific Group Thermodata Europe)数据库中的评估是基于1990年代的实验数据,高温区(>1200°C)的BCC相界主要由热分析数据(DTA/DSC)确定——在那个温度区间DTA的相变温度不确定度约±15°C。这15°C的误差搬到CALPHAD参数里,体现在FCC/BCC相界的描述上,然后通过三元和高阶外推传递到六元系。
用Thermo-Calc的TCHEA6(高熵合金专用数据库)计算了Cantor合金随温度变化的平衡相分数。预测结果在800-1000°C区间出现了一个BCC相的析出区(约5-8%体积分数),但广角X射线衍射(WAXS)和EBSD/EDS在铸态+均匀化(1200°C/48h+水淬)的Cantor合金中只观察到FCC单相(含一些微量的MnS夹杂)。到800°C时效1000小时后才在晶界上出现了富Cr的BCC析出相(体积分数约2-3%,TEM暗场+EDS确认)。
CALPHAD预测的BCC相在800°C的分数比实验高了约2-5个百分点——误差看起来不大,但对”单相固溶体”的判断来说,5-8%和2-3%的区别就是一个”有明显第二相”和”近乎单相”的定性差异。高估的BCC相主要来自Co-Cr和Cr-Fe二元系中对BCC相稳定性的略微高估——当两个二元系的高估在六元系中叠加起来,效应被放大了。
三元系的CALPHAD参数通常由二元系的外推加上三元交互作用参数(如Redlich-Kister-Muggianu多项式)来修正。修正项的参数是由三元系实验相图数据(如等温截面或垂直截面)通过最小二乘法优化得到的。
对于Cantor合金,Co-Cr-Fe和Cr-Fe-Ni两个三元系是BCC/FCC竞争最关键的子系。Cr-Fe-Ni三元系在TCHEA6中的σ相描述被认为是最可靠的之一——数据来自多个独立的实验研究(扩散偶+平衡合金退火),跨温度区间400-1200°C都有覆盖。
但在Co-Cr-Fe三元系中,现有的CALPHAD参数在FCC和σ相的竞争上仍然有约±50°C相变温度的偏差。Co的加入使σ相的稳定性被略微低估了——这反过来又部分”补偿”了二元系中对BCC相的高估。在CALPHAD的外推链条里,不同来源的误差会在高阶系中发生补偿或叠加——补偿是幸运,叠加是陷阱,而没有办法在事前知道一个六元系中出现的是哪种情况。
这就是为什么纯CALPHAD预测必须配合关键实验数据做验证:至少在高熵合金设计的目标温度和成分点上,需要有差示扫描量热(DSC)的相变温度、XRD的相鉴定和SEM/EDS的成分测定三者之一来作为CALPHAD外推的锚点。
一个实用的检验策略是”阶梯外推+回标”:先用现有数据库预测一个四元系(如Co-Cr-Fe-Ni)的相图,制备该四元系合金、测定相组成,把实验数据与CALPHAD预测比对。如果有偏差,调整相关的三元交互参数;然后用修正后的数据库预测五元系(Co-Cr-Fe-Mn-Ni),再制备合金、测试、比对。最后一步才是六元系的预测。
每多一个组分维度,CALPHAD的外推误差会以什么速率增长,没有普适规律——取决于新增组分和你已有的数据库参数之间的适配度。在Co-Cr-Fe-Ni基础上加Mn(五元系→六元系,也就是从Co-Cr-Fe-Ni→Co-Cr-Fe-Mn-Ni),Mn与Cr、Fe的二元系参数很成熟(来自钢的CALPHAD数据库,经过几十年工业验证),所以加Mn这一步带来的额外误差很小(相分数预测误差<5%)。但如果加的是Nb或Ti(它们与Co、Fe、Ni会形成大量金属间化合物,二元系本身就复杂),那外推误差会在高阶系中急剧放大。
Cantor合金属于CALPHAD的”舒适区”——六个组分都是3d过渡金属,二元和三元系数据的覆盖度和一致性很高。如果换成一个含Al、Ti和难熔金属(如NbMoTaW系高熵合金),CALPHAD外推的不确定度会成倍增加,因为部分二元系的实验数据稀疏、相平衡精度低。CALPHAD不是”对所有体系都同样可靠”,它的可靠性取决于输入数据的质量——而输入数据的质量在不同体系中可以差一个数量级。