一本一道人人妻人人妻αv,我和学长下面连在一起写作业,久久午夜神器

重慶大學蔣斌教授、揚州大學王慶航副教授團隊最新研究 | 以性能為導向的機器學習自決 ...

來自: 材料信息學收藏邀請

題目：

A property-oriented self-decision design strategy of low-alloyed rare earth-free magnesium alloys with a good strength-ductility synergy based on machine learning

作者：

Xu Qin, Qinghang Wang*, Xinqian Zhao, Shouxin Xia , Li Wang , Jiabao Long , Yuhui Zhang , Bin Jiang*

DOI: 10.20517/jmi.2024.92

Citation: Qin, X.; Wang, Q.; Zhao, X.; Xia, S.; Wang, L.; Long, J.; Zhang, Y.; Jiang, B. A property-oriented self-decision design strategy of low-alloyed rare earth-free magnesium alloys with a good strength-ductility synergy based on machine learning. J. Mater. Inf. 2025, 5, 13. http://dx.doi.org/10.20517/jmi.2024.92

導讀

機器學習正在徹底改變合金設計，但傳統模型面臨著數據有限和復雜非線性的挑戰。本文提出了一種自決策設計策略，最大限度地減少了人為干預的需要，該策略整合了目標性能確定、反向和正向建模以及特征重要性分析，以優化低合金無稀土鎂合金強韌性協同作用。通過該策略成功開發了新型擠壓態Mg-2Al-1Zn-0.6Ca-0.4Mn（wt%）合金，其抗拉強度為344 MPa，室溫下的斷裂伸長率為21.3%。這種自決策設計策略加速了低成本高性能鎂合金的開發，提高了合金設計的效率和精度。

圖片摘要

正文

通過文獻收集了233組合金數據，包括合金元素、加工參數以及力學性能。研究首先根據當前數據集數據確定帕累托前沿F，進而確定了目標性能區域A，如圖1所示。帕累托前沿的右上角區域被視為目標性能區域。此目標區域 A 中的點可以表示為：

UTS_Pareto (EL) ≤ UTS ≤ UTS_max (1)

EL_min ≤ EL ≤ EL_max (2)

其中 UTS_Pareto(EL)表示UTS關于EL的最佳點集的函數。 UTS_max是對應于帕累托邊界的最大UTS。EL_min 和 EL_max 分別表示對應于帕累托邊界的最小EL和最大EL。一旦建立了這個目標區域范圍，便可以在該范圍內隨機生成數據點，作為逆向設計模型的輸入。

圖1.目標性能區域確定。

逆向模型以UTS和EL為輸入，以合金成分和加工參數為輸出，圖2展示了逆向設計預測結果，其中RF模型的表現最為突出，整體R2為0.37，特別是在Ca（R2=0.68）、ET（R2=0.44）和ES（R2=0.46）的預測上。低預測精度主要是由于“低輸入維度、高輸出維度”的建模問題，導致收斂性差或過擬合，表明反向模型不適合用于合金設計。總體來看，反向模型的預測精度普遍較低。其原因在于，僅利用UTS和EL兩個屬性來預測9個成分和加工參數，屬于典型的“低輸入維度、高輸出維度”建模問題。在這種情況下，模型往往會出現收斂性差或過擬合的問題，從而顯著降低了模型的可靠性

圖2.反向設計預測性能：(a) 整體預測熱力圖；(b-i) 不同模型：分別是邏輯回歸（LR）、決策樹（DT）、隨機森林（RF）、梯度提升（GB）、K近鄰（KNN）、極端梯度提升（XGB）、多層感知器（MLP）、輕量級梯度提升機（LGBM）

正向模型以合金成分和加工參數為輸入，以UTS和EL為輸出，其預測精度如圖3所示。在這些模型中，XGB模型表現最為出色，其對UTS和EL的R2值分別為0.89和0.83，顯示出其在力學性能預測中的卓越能力。為了進一步優化XGB模型，我們使用貝葉斯優化算法對其超參數進行了優化，總體來看，訓練集和測試集中的數據點緊密聚集在理想的預測對角線上，UTS的R2值超過0.90，EL的R2值超過0.85，表明優化后的模型具有很高的準確性和可靠性。

圖3.正向設計預測性能：(a, b) 分別使用不同模型預測極限抗拉強度（UTS）和延伸率（EL）的R2值；(c) XGBoost（XGB）模型的超參數優化過程；(d, e) 超參數優化后，XGBoost模型對極限抗拉強度（UTS）和延伸率（EL）的預測精度

但本研究的最終目標是設計出滿足目標性能要求的新合金。在目標性能區域內，隨機生成了1000組UTS和EL數據，并結合反向與正向模型篩選出合適的合金成分和加工參數。為進一步優化篩選結果，采用SHAP方法分析各特征對CPI（綜合性能指數，強度和塑性之積）的貢獻。SHAP分布圖（圖4右上部分）顯示，Ca是影響合金力學性能的最重要參數，與CPI呈負相關。對于正相關的參數，選擇其最大值；對于負相關的參數，選擇最小值。

最終，通過SHAP分析篩選出了16個候選組合。以Ca為最重要的參數，首先確定其最小值，并按照圖4左側箭頭的順序逐步篩選其他參數。最終篩選出一個最佳的合金成分和加工參數組合，以實現強度（UTS：356 MPa）和延展性（EL：20.3%）的良好協同。最終的合金成分和加工參數為：0.6 wt% Ca、0.4 wt% Mn、1 wt% Zn、2 wt% Al、20 ER、400°C ST、4 m/min ES、11 h ST和240°C ET。

圖4. 通過低合金化邊界條件和SHAP重要性分析篩選強度與韌性協同性良好的低合金化鎂合金

基于上述設計，采用重力鑄造、固溶處理和擠壓工藝制備了Mg-2Al-1Zn-0.6Ca-0.4Mn（AZXM2110）合金。圖5展示了該合金的拉伸應力-應變曲線及其拉伸性能。實驗結果表明，合金的平均UTS為344 MPa，EL為21.3%，與預測值接近。UTS和EL的預測值與實驗值的誤差分別為3.4%和5.0%。這一結果證明，結合POSDD策略與反向正向模型的設計方法在高性能低合金鎂合金設計中具有良好的指導作用。

圖5. 擠壓態合金的工程拉伸應力-應變曲線及其相應的力學性能

通過電子背散射衍射（EBSD）分析發現（圖6），擠壓態合金呈現由粗晶粒（16.4 μm，13.8%）和細晶粒（3.8 μm，86.2%）組成的異質結構，平均晶粒尺寸5.5 μm，幾何必要位錯（GND）密度為9.86×1013 m?2，表明顯著的動態再結晶（DRX）發生。加載-卸載-重新加載（LUR）實驗（圖7）顯示磁滯回線及異質變形誘導（HDI）應力（165~197 MPa）。在異質結構材料的塑性變形中，軟區與硬區的非均勻變形導致軟區產生背應力、硬區產生正應力，共同誘發HDI應變硬化，協同提升合金強度和延展性。屈服前（0.2%應變階段），軟區內Frank-Read位錯源形成，界面處幾何必要位錯（GND）密度增加；隨應變增大，界面GND進一步累積并向軟區擴散，而硬區形成反向GND密度梯度，通過應變分配效應增強延展性。擠壓態合金中，粗晶粒（軟區）因高位錯存儲能力優先激活基面滑移（施密德因子更高），細晶粒（硬區）則通過界面GND梯度強化梯度強化應變協調，最終實現強塑性協同提升（圖8）。

圖6. 擠壓態合金的電子背散射衍射（EBSD）分析：(a) 反極圖，(b) 晶粒尺寸分布圖，(c) 位錯密度分布圖，以及(d) 極圖，包括(0001)、(11-20)和(10-10)極圖

圖 7.（a） LUR 拉伸工程應力-應變曲線;（b） a 中黑色虛線框的放大倍率視圖;（C） HDI 應力與工程應變的關系

圖 8.（(a, b) 當擠壓態合金沿擠壓方向（ED）受拉時，其基面滑移的SF分布圖；(c, d) 在拉伸應變為5%時，分別使用g=0001和g=10-10的雙束衍射獲得的透射電子顯微鏡（TEM）明場圖像；(e, f) 分別是(c)和(d)對應的示意圖

展望

本研究提出了一種自決策設計策略，用于高性能低合金非稀土鎂合金的設計。通過明確目標性能，并結合反向和正向模型，我們成功確定了最佳合金成分和加工參數。在這些條件下，合金成功實現了高強度和高延展性。

然而，許多現有的逆向設計模型，如優化算法、統計建模和主動學習，主要關注性能-成分-工藝（P-C-P）關系，卻往往忽略了微觀結構的作用。這種遺漏導致研究鏈不完整，忽視了微觀結構在決定材料性能方面的關鍵作用。未來的研究中，應將材料的微觀組織納入逆向設計框架，從而進一步深化對控制材料性能潛在機制的理解。

基金支持

本研究得到國家自然科學基金（項目編號：52204407）、江蘇省自然科學基金（項目編號：BK20220595）和中國博士后科學基金（項目編號：2022M723689）的資助。

第一作者介紹

秦旭，揚州大學機械工程學院碩士研究生，主要從事機器學習輔助輕合金設計，主持江蘇省研究生實踐創新項目1項，獲得國家獎學金1次。目前在Journal of Magnesium and Alloys、Materials Science and Engineering A、Journal of Alloys and Compounds、Journal of Materials Research and Technology等期刊發表了SCI論文10篇，其中第一作者5篇。

通訊作者介紹

王慶航，揚州大學機械工程學院副教授，博士，河北工業大學-中信戴卡聯合培養博士后。主要從事基于Al的新型鎂合金材料設計及性能調控研究。主持國家自然科學基金青年基金、72批博士后面上基金、江蘇省自然科學基金青年基金各1項。近年來以第一/通訊作者在Journal of Magnesium and Alloys、Journal of Materials Science & Technology、Materials Science and Engineering A、Journal of Alloys and Compounds、Journal of Materials Research and Technology等國內外SCI期刊上發表相關論文40余篇。擔任Journal of Materials Informatics、MGE Advances、Journal of Magnesium and Alloys 等期刊青年編委。

蔣斌，博士、重慶大學教授/博導、教育部長江學者特聘教授、國家鎂合金材料工程技術研究中心副主任、重慶市首席專家工作室領銜專家。長期從事新型鎂合金材料及先進制備加工技術研究，大力推動鎂合金新材料開發及其在汽車、軌道交通、電子通訊、航空航天、關鍵裝備等領域的規模化應用。先后主持國家自然科學基金面上項目和重點項目、國家重點研發計劃專題、國家863項目、國家973項目子課題、國家科技支撐計劃項目等國家和省部級項目多項。以第一/通訊作者在PNAS, Acta Materials, Scripta Materials, Corrosion Science, Journal of Magnesium and Alloys, Journal of Materials Science & Technology等國內外權威期刊上發表相關論文200余篇。

聲明：以上所有內容源自各大平臺，版權歸原作者所有，我們對原創作者表示感謝，文章內容僅用來交流信息所用，僅供讀者作為參考，一切解釋權歸鎂途公司所有，如有侵犯您的原創版權請告知，經核實我們會盡快刪除相關內容。鳴謝：鎂途公司及所有員工誠摯感謝各位朋友對鎂途網站的關注和關心，同時，也誠摯歡迎廣大同仁到網站發帖