The improvement in strength is usually accompanied by ductility loss in structural materials, which is a long-standing conflict referred as the strength-ductility trade-off. Here we present a heterogeneous-structures-architecting strategy, in which we design bulk high-entropy alloys with the largely-enhanced strength-ductility trade-off, possessing a yield strength of 711 MPa, a tensile strength of 928 MPa, and a uniform elongation of 30.3%. Such an enhancement of the strength-ductility trade-off is due to the microstructure comprised with a combination of the non-recrystallized and recrystallized grains arranged in complex heterogeneous structures with a characteristic dimension spanning from the submicron scale to the coarse-sized scale. The heterogeneous structures in the high-entropy alloy are produced by cold-rolling, followed by intermediate-temperature-annealing. Our results demonstrate that heterogeneous designs can be accomplished effectively by simple thermal treatments, which offer a design strategy towards a new generation of high-strength and high-ductility high-entropy alloys.

Refractory high-entropy alloys (RHEAs) exhibit outstanding strength at room temperature, but their high-temperature applications are hindered by severe strain-softening. Here, we report slip-band-driven dynamic recrystallization to enhance the high-temperature strain hardening of HfNbTaTiZr RHEA. By introducing partial lattice defects through hot forging, we increase the nucleation sites for dynamic recrystallization during subsequent thermomechanical deformation, thus suppressing the strain-softening behavior. We reveal that the high-temperature deformation is governed by the formation of heterogeneous bimodal grains along slip bands, which effectively constrain dislocation motion and improve strength, while microbands prevent premature failure. The fracture mode also changes from ductile to mixed to cleavage-dominated with increasing temperature. Our results demonstrate a simple and effective method for overcoming high-temperature strain-softening for BCC high entropy alloys.

Abstract A large number of tectonically mixed rock belts and complex tectonic zones are distributed in the southwestern part of China. In these areas, high geostress and tectonic stresses have caused some underground rock layers to be crushed and broken, eventually forming crushed rock zones. Which may undergo creep deformation under long-term loads. The manuscript is based on a typical crushed rock in the southwestern China. Firstly, the factors affecting creep deformation were analysed, and the response law of each influencing factor to rock creep is demonstrated. Then, the theory of uncorroborated measures and hierarchical analysis were used to systematically correlate the factors influencing creep. Thereby, a creep level qualitative evaluating model of crushed rock is established. Finally, this model was used to qualitatively evaluate the creep level of the crushed rock in the study area. It is concluded that the creep level qualitative evaluating of this crushed rock is rated as Class II, which is characterised by a low creep level and small creep deformations (0–10 mm). The research results can provide a reference for the creep analysis of crushed rock and provide a basis for the safe construction of engineering slopes.

Entity alignment (EA) is a critical task in knowledge graph fusion, aiming to associate equivalent entities across disparate knowledge graphs (KGs). Current methods typically leverage entity representations derived from triples or neighboring entities, employing similarity matching for alignment. These approaches, however, tend to be overly reliant on proximal neighbor information and struggle with graph over-smoothing introduced by neighborhood aggregation. In response to these limitations, this study introduces a Global Information Aggregator (GIA), a new method that aims to enhance entity representation and simultaneously alleviate over-smoothing by merging the global structural information of the entire knowledge graph. Specifically, we propose a PageRank-based method to aggregate the global structural information of KGs. In addition, the GIA generates a diffusion-augmented graph by propagating and integrating the global information of the KGs. This graph is subsequently compared with a structural perturbation-augmented graph to yield more robust and comprehensive entity representations, thus further improving the model’s alignment performance. Extensive experiments on four benchmark datasets show that the GIA model is highly competitive with current state-of-the-art entity alignment frameworks.