计算热力学方法（CALPHAD:CALculation of PHAse Diagram）被广泛应用于材料性能预测,工艺改进以及新材料设计中。准确的热动力学数据库是CALPHAD方法应用的基础。热动力学数据库的建立是通过选择合适的模型,通过优化来拟合体系实验数据,得到自洽的参数。随着第一性原理的飞速发展,其不仅能够准确预测一些体系的稳定相热物理性质,而且能够预测实验所难以企及的亚稳相性质,从而为CALPHAD热动力学数据库的建立提供所需的数据。锆合金具有良好的耐腐蚀性,同时热中子吸收截面小、热膨胀系数小、加工性能优异,因此被广泛用于核反应堆元件包壳及堆芯结构材料。随着核电工业的快速发展,为了提高燃耗效率,对包壳材料的性能要求进一步提高,新型锆合金的研究开发显得更加重要。锆合金性能的提高在于加入合理的微量合金元素,如Fe、Nb、Sn、Cr和Cu等等,以及合理的热处理制度获得理想的析出相。准确的CALPHAD热动力学数据库能够预测一定量合金元素的加入之后材料中的第二相的种类以及数量,从而在一定程度上改进了过往试错的材料设计方法。同时,对于已经广泛应用的商业合金,数据库能够对热处理工艺的改进,服役过程中的蠕变预测提供一定的指导。本文选取锆合金常用合金元素体系Zr-Nb-Sn-Fe-Cr-Cu中关键三元系Zr-Fe-Nb、Zr-Nb-Cr为研究对象,首先通过查阅发表过的实验数据以及数据库,设计部分体系所需关键实验,通过合金法制得样品,采用电子探针测定样品各相成分,为热力学优化提供重要数据。同时,采用第一性原理方法预测体系中相稳定性以及计算体系中溶体相以及金属间化合物形成焓,辅助热力学优化。结合实验以及第一性原理计算数据,我们选择合适的热力学模型优化得到关键三元系热力学描述,整合部分文献已经发表过的二元系数据库以及本文所优化的关键三元系从而建立Zr基合金多组元热力学数据库。模拟组织演变除了需要热力学数据库之外,也离不开动力学扩散数据库。杂质扩散系数是建立动力学数据库的基础,研究合金元素在Zr中的扩散机制有利于了解合金在不同温度,辐射条件下的行为。本文通过高通量第一性原理计算在空位扩散机制下的Cr、Cu、V、Zn、Mo、W、Al、Au、Ag、Nb、Ta、Ti、Hf、Zr、Sn在密排六方结构（HCP）的Zr中的杂质扩散系数。我们发现计算的杂质扩散系数比实验值都低几个数量级,预示着间隙扩散的可能性。因此我们通过计算间隙杂质形成焓以及八面体间隙之间的迁移能来估测间隙扩散机制的激活能,通过比对空位扩散和间隙扩散的扩散激活能,确认了14个元素在HCP Zr中的占主导的扩散机制。虽然高通量计算杂质扩散系数比实验测定更加快速,且不容易受到杂质以及实验条件所引起的误差。然而,由于扩散系数的计算需要大量计算机时,所以并不能在短时间内获得所有的元素数据。机器学习则是一种能够快速准确产生大数据的新方法。机器学习是在已有数据的基础上,找出与研究性质最关联的特征,以函数的形式表达,从而能够外推出更多的数据。本文侧重于研究机器学习中不同的交叉验证方法对于模型准确性的判断以及特征选择的影响,同时研究了高斯过程模型给出的预测值的标准差来表征预测的不确定性。本文在上述几方面的结论为:（1）通过声子计算佐证了Cr-Nb体系中Laves_C14相为亚稳相。通过实验测定了Zr-Cr体系中Laves_C15相的溶解度。运用SQS（Special Quasirandom Structures）-VASP方法计算得到Zr-Cr和Cr-Nb体系溶体相（非液相）在一定成分下的基态形成焓。通过DFT（Density Functional Theory）计算得到Zr-Nb-Cr体系中化合物端基形成焓。结合上述数据和已发表数据,通过Thermo-Calc软件优化出Zr-Nb-Cr体系三元系热力学数据库。（2）结合已有实验数据分析认为Zr-Fe体系中Fe₂₃Zr₆为稳定相,高温相Laves_C36为亚稳相。通过DFT计算Zr-Fe体系中化合物端基形成焓,优化得到了新的Zr-Fe热力学数据,新数据库所计算的Fe在体心立方结构（BCC）的Zr中溶解度与实验更加吻合。在已发表数据库基础上,将Fe-Nb热力学数据库重新微调来更好地拟合Laves_C14相溶解度的实验数据。结合所优化二元系数据库,基于已发表的Zr-Fe-Nb体系在853K,973K,1073K和1173K下的等温截面实验数据,本文优化得到了与实验值吻合的Zr-Fe-Nb三元系热力学数据库。（3）基于Eight-frequency模型,通过CI-NEB（Climbing Image Nudged Elastic Band Method）来计算HCP结构中八个不同原子跃迁的能垒。通过声子计算原子跃迁的尝试频率（Attempt Frequency）,得到八个不同原子跳跃的频率。通过Eight-frequency模型计算出不同温度下14个元素在HCP-Zr中的扩散系数。通过阿累尼乌斯公式拟合出扩散激活能以及扩散因子。同时,计算了这些元素在HCP-Zr中间隙形成能以及八面体间隙之间原子跳跃能垒,估算了间隙扩散机制下的这些元素在HCP-Zr中的扩散激活能。通过对比空位扩散激活能与间隙扩散激活能,确认了Cr、Cu、V、Zn、Mo、W、Al、Au、Ag、Nb、Ta、Ti元素在HCP-Zr中是主要通过间隙扩散机制移动的。（4）通过Gaussian Process Regression和Gaussian Kernel Ridge Regression两个机器学习模型,以元素性质为特征,以杂质扩散激活能为研究对象,研究了两种不同的数据划分交叉验证方法以及如何估计机器学习预测的不确定性。通过研究发现,相比于传统的K-fold交叉验证方法,Leave-Out-Group（LOG）交叉验证方法能够选择更准确的特征集,其所获得的误差值能够更好地反应模型的准确度。同时,我们对比预测误差与高斯模型给出的预测标准差之间的关系,发现其比值的分布与正态分布比较接近。而且,95%的数据真值都分布在高斯模型预测值的两个标准差之内,与正态分布数据一致,说明了高斯模型的标准差可以用来表征高斯模型预测的误差,这对于基于小数据集的模型外推准确性预估非常有效。本工作通过结合第一性原理计算和CALPHAD方法以及机器学习,建立的Zr-Nb-Cr和Zr-Fe-Nb三元系热力学数据库,能够为扩展Zr基多组元热力学数据库奠定基础,从而能够预测多组元合金在不同条件下的相比例以及成分,加快锆合金新材料设计的步伐。通过对一些杂质元素在HCP-Zr中主导扩散机制的研究,我们发现很多元素在HCP-Zr的主导扩散机制是间隙扩散而非空位扩散。一方面,这使研究者能够更好地认识锆合金在辐射或者服役过程中的行为。同时,这也会在一定程度上改变人们传统的认识:金属元素在纯金属中多以空位扩散机制为主,从而能更深入地认识杂质扩散。最后,本工作通过高通量计算得到的杂质扩散系数证明了LOG的交叉验证能选择更好的特征集,获得更准确的模型。同时,Gaussian Process Regression模型给出的预测值的标准差是在一定程度上可以用来反映预测值的准确性。由于该方法能用来判断模型外推的准确度,因此对于材料领域的小数据集的机器学习有非常大的应用价值。