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，不种不可毕可以调整各个相的体积分数。
在这两种温度下，菜菜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，竟种而在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：后裔以Al2M14（M代表四种不同的过渡金属）的组成式为基础，后裔研究了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。不种不可毕为了测试纳米晶高熵合金材料的热力学稳定性。菜菜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，竟种在以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。、后裔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、不种不可毕拉伸性能和硬化曲线NO.7Compositionalvariationeffectsonthemicrostructureandpropertiesofarefractoryhigh-entropysuperalloyAlMo0.5NbTa0.5TiZr亮点：不种不可毕尝试通过调整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：菜菜本文将铸态HfNbTaTiZr在1200℃均化、菜菜600～1000℃退火1～100h，然后对其组织和显微硬度进行了研究。目前，竟种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，后裔解释了分类模型的准确性，精确度为92±0.01%（图3-9）。近年来，不种不可毕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，菜菜结合目前人工智能的发展潮流，菜菜科学家发现，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，竟种举个简单的例子：竟种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。