重庆大学蒋斌教授、扬州大学王庆航副教授团队最新研究 | 以性能为导向的机器学习自决 ... - 资讯

重庆大学蒋斌教授、扬州大学王庆航副教授团队最新研究 | 以性能为导向的机器学习自决 ...

来自: 材料信息学收藏邀请

题目：

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

导读

机器学习正在彻底改变合金设计，但传统模型面临着数据有限和复杂非线性的挑战。本文提出了一种自决策设计策略，最大限度地减少了人为干预的需要，该策略整合了目标性能确定、反向和正向建模以及特征重要性分析，以优化低合金无稀土镁合金强韧性协同作用。通过该策略成功开发了新型挤压态Mg-2Al-1Zn-0.6Ca-0.4Mn（wt%）合金，其抗拉强度为344 MPa，室温下的断裂伸长率为21.3%。这种自决策设计策略加速了低成本高性能镁合金的开发，提高了合金设计的效率和精度。

图片摘要

正文

通过文献收集了233组合金数据，包括合金元素、加工参数以及力学性能。研究首先根据当前数据集数据确定帕累托前沿F，进而确定了目标性能区域A，如图1所示。帕累托前沿的右上角区域被视为目标性能区域。此目标区域 A 中的点可以表示为：

UTS_Pareto (EL) ≤ UTS ≤ UTS_max (1)

EL_min ≤ EL ≤ EL_max (2)

其中 UTS_Pareto(EL)表示UTS关于EL的最佳点集的函数。 UTS_max是对应于帕累托边界的最大UTS。EL_min 和 EL_max 分别表示对应于帕累托边界的最小EL和最大EL。一旦建立了这个目标区域范围，便可以在该范围内随机生成数据点，作为逆向设计模型的输入。

图1.目标性能区域确定。

逆向模型以UTS和EL为输入，以合金成分和加工参数为输出，图2展示了逆向设计预测结果，其中RF模型的表现最为突出，整体R²为0.37，特别是在Ca（R²=0.68）、ET（R²=0.44）和ES（R²=0.46）的预测上。低预测精度主要是由于“低输入维度、高输出维度”的建模问题，导致收敛性差或过拟合，表明反向模型不适合用于合金设计。总体来看，反向模型的预测精度普遍较低。其原因在于，仅利用UTS和EL两个属性来预测9个成分和加工参数，属于典型的“低输入维度、高输出维度”建模问题。在这种情况下，模型往往会出现收敛性差或过拟合的问题，从而显著降低了模型的可靠性

图2.反向设计预测性能：(a) 整体预测热力图；(b-i) 不同模型：分别是逻辑回归（LR）、决策树（DT）、随机森林（RF）、梯度提升（GB）、K近邻（KNN）、极端梯度提升（XGB）、多层感知器（MLP）、轻量级梯度提升机（LGBM）

正向模型以合金成分和加工参数为输入，以UTS和EL为输出，其预测精度如图3所示。在这些模型中，XGB模型表现最为出色，其对UTS和EL的R²值分别为0.89和0.83，显示出其在力学性能预测中的卓越能力。为了进一步优化XGB模型，我们使用贝叶斯优化算法对其超参数进行了优化，总体来看，训练集和测试集中的数据点紧密聚集在理想的预测对角线上，UTS的R²值超过0.90，EL的R²值超过0.85，表明优化后的模型具有很高的准确性和可靠性。

图3.正向设计预测性能：(a, b) 分别使用不同模型预测极限抗拉强度（UTS）和延伸率（EL）的R²值；(c) XGBoost（XGB）模型的超参数优化过程；(d, e) 超参数优化后，XGBoost模型对极限抗拉强度（UTS）和延伸率（EL）的预测精度

但本研究的最终目标是设计出满足目标性能要求的新合金。在目标性能区域内，随机生成了1000组UTS和EL数据，并结合反向与正向模型筛选出合适的合金成分和加工参数。为进一步优化筛选结果，采用SHAP方法分析各特征对CPI（综合性能指数，强度和塑性之积）的贡献。SHAP分布图（图4右上部分）显示，Ca是影响合金力学性能的最重要参数，与CPI呈负相关。对于正相关的参数，选择其最大值；对于负相关的参数，选择最小值。

最终，通过SHAP分析筛选出了16个候选组合。以Ca为最重要的参数，首先确定其最小值，并按照图4左侧箭头的顺序逐步筛选其他参数。最终筛选出一个最佳的合金成分和加工参数组合，以实现强度（UTS：356 MPa）和延展性（EL：20.3%）的良好协同。最终的合金成分和加工参数为：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。

图4. 通过低合金化边界条件和SHAP重要性分析筛选强度与韧性协同性良好的低合金化镁合金

基于上述设计，采用重力铸造、固溶处理和挤压工艺制备了Mg-2Al-1Zn-0.6Ca-0.4Mn（AZXM2110）合金。图5展示了该合金的拉伸应力-应变曲线及其拉伸性能。实验结果表明，合金的平均UTS为344 MPa，EL为21.3%，与预测值接近。UTS和EL的预测值与实验值的误差分别为3.4%和5.0%。这一结果证明，结合POSDD策略与反向正向模型的设计方法在高性能低合金镁合金设计中具有良好的指导作用。

图5. 挤压态合金的工程拉伸应力-应变曲线及其相应的力学性能

通过电子背散射衍射（EBSD）分析发现（图6），挤压态合金呈现由粗晶粒（16.4 μm，13.8%）和细晶粒（3.8 μm，86.2%）组成的异质结构，平均晶粒尺寸5.5 μm，几何必要位错（GND）密度为9.86×10¹³ m⁻²，表明显著的动态再结晶（DRX）发生。加载-卸载-重新加载（LUR）实验（图7）显示磁滞回线及异质变形诱导（HDI）应力（165~197 MPa）。在异质结构材料的塑性变形中，软区与硬区的非均匀变形导致软区产生背应力、硬区产生正应力，共同诱发HDI应变硬化，协同提升合金强度和延展性。屈服前（0.2%应变阶段），软区内Frank-Read位错源形成，界面处几何必要位错（GND）密度增加；随应变增大，界面GND进一步累积并向软区扩散，而硬区形成反向GND密度梯度，通过应变分配效应增强延展性。挤压态合金中，粗晶粒（软区）因高位错存储能力优先激活基面滑移（施密德因子更高），细晶粒（硬区）则通过界面GND梯度强化梯度强化应变协调，最终实现强塑性协同提升（图8）。

图6. 挤压态合金的电子背散射衍射（EBSD）分析：(a) 反极图，(b) 晶粒尺寸分布图，(c) 位错密度分布图，以及(d) 极图，包括(0001)、(11-20)和(10-10)极图

图 7.（a） LUR 拉伸工程应力-应变曲线;（b） a 中黑色虚线框的放大倍率视图;（C） HDI 应力与工程应变的关系

图 8.（(a, b) 当挤压态合金沿挤压方向（ED）受拉时，其基面滑移的SF分布图；(c, d) 在拉伸应变为5%时，分别使用g=0001和g=10-10的双束衍射获得的透射电子显微镜（TEM）明场图像；(e, f) 分别是(c)和(d)对应的示意图

展望

本研究提出了一种自决策设计策略，用于高性能低合金非稀土镁合金的设计。通过明确目标性能，并结合反向和正向模型，我们成功确定了最佳合金成分和加工参数。在这些条件下，合金成功实现了高强度和高延展性。

然而，许多现有的逆向设计模型，如优化算法、统计建模和主动学习，主要关注性能-成分-工艺（P-C-P）关系，却往往忽略了微观结构的作用。这种遗漏导致研究链不完整，忽视了微观结构在决定材料性能方面的关键作用。未来的研究中，应将材料的微观组织纳入逆向设计框架，从而进一步深化对控制材料性能潜在机制的理解。

基金支持

本研究得到国家自然科学基金（项目编号：52204407）、江苏省自然科学基金（项目编号：BK20220595）和中国博士后科学基金（项目编号：2022M723689）的资助。

第一作者介绍

秦旭，扬州大学机械工程学院硕士研究生，主要从事机器学习辅助轻合金设计，主持江苏省研究生实践创新项目1项，获得国家奖学金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等期刊发表了SCI论文10篇，其中第一作者5篇。

通讯作者介绍

王庆航，扬州大学机械工程学院副教授，博士，河北工业大学-中信戴卡联合培养博士后。主要从事基于Al的新型镁合金材料设计及性能调控研究。主持国家自然科学基金青年基金、72批博士后面上基金、江苏省自然科学基金青年基金各1项。近年来以第一/通讯作者在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等国内外SCI期刊上发表相关论文40余篇。担任Journal of Materials Informatics、MGE Advances、Journal of Magnesium and Alloys 等期刊青年编委。

蒋斌，博士、重庆大学教授/博导、教育部长江学者特聘教授、国家镁合金材料工程技术研究中心副主任、重庆市首席专家工作室领衔专家。长期从事新型镁合金材料及先进制备加工技术研究，大力推动镁合金新材料开发及其在汽车、轨道交通、电子通讯、航空航天、关键装备等领域的规模化应用。先后主持国家自然科学基金面上项目和重点项目、国家重点研发计划专题、国家863项目、国家973项目子课题、国家科技支撑计划项目等国家和省部级项目多项。以第一/通讯作者在PNAS, Acta Materials, Scripta Materials, Corrosion Science, Journal of Magnesium and Alloys, Journal of Materials Science & Technology等国内外权威期刊上发表相关论文200余篇。

声明：以上所有内容源自各大平台，版权归原作者所有，我们对原创作者表示感谢，文章内容仅用来交流信息所用，仅供读者作为参考，一切解释权归镁途公司所有，如有侵犯您的原创版权请告知，经核实我们会尽快删除相关内容。鸣谢：镁途公司及所有员工诚挚感谢各位朋友对镁途网站的关注和关心，同时，也诚挚欢迎广大同仁到网站发帖